關(guān)于keras.layers.Conv1D的kernel_size參數(shù)使用介紹
今天在用keras添加卷積層的時(shí)候，發(fā)現(xiàn)了kernel_size這個(gè)參數(shù)不知怎么理解，keras中文文檔是這樣描述的：
kernel_size: 一個(gè)整數(shù)，或者單個(gè)整數(shù)表示的元組或列表， 指明 1D 卷積窗口的長度。
又經(jīng)過多方查找，大體理解如下：
因?yàn)槭翘砑右痪S卷積層Conv1D()，一維卷積一般會處理時(shí)序數(shù)據(jù)，所以，卷積核的寬度為1，而kernel_size就是卷積核的長度了，這樣的意思就是這個(gè)卷積核是一個(gè)長方形的卷積核。
補(bǔ)充知識：tf.layers.conv1d函數(shù)解析（一維卷積）
一維卷積一般用于處理文本，所以輸入一般是一段長文本，就是詞的列表
函數(shù)定義如下：
tf.layers.conv1d( inputs, filters, kernel_size, strides=1, padding='valid', data_format='channels_last', dilation_rate=1, activation=None, use_bias=True, kernel_initializer=None, bias_initializer=tf.zeros_initializer(), kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None, trainable=True, name=None, reuse=None )
比較重要的幾個(gè)參數(shù)是inputs, filters, kernel_size，下面分別說明
inputs : 輸入tensor， 維度(None, a, b) 是一個(gè)三維的tensor
None ： 一般是填充樣本的個(gè)數(shù)，batch_size
a ： 句子中的詞數(shù)或者字?jǐn)?shù)
b ：字或者詞的向量維度
filters : 過濾器的個(gè)數(shù)
kernel_size : 卷積核的大小，卷積核其實(shí)應(yīng)該是一個(gè)二維的，這里只需要指定一維，是因?yàn)榫矸e核的第二維與輸入的詞向量維度是一致的，因?yàn)閷τ诰渥佣?，卷積的移動方向只能是沿著詞的方向，即只能在列維度移動
一個(gè)例子：
inputs = tf.placeholder('float', shape=[None, 6, 8])
out = tf.layers.conv1d(inputs, 5, 3)
說明： 對于一個(gè)樣本而言，句子長度為6個(gè)字，字向量的維度為8
filters=5, kernel_size=3， 所以卷積核的維度為3*8
那么輸入6*8經(jīng)過3*8的卷積核卷積后得到的是4*1的一個(gè)向量(4=6-3+1)
又因?yàn)橛?個(gè)過濾器，所以是得到5個(gè)4*1的向量
畫圖如下：
以上這篇關(guān)于keras.layers.Conv1D的kernel_size參數(shù)使用介紹就是小編分享給大家的全部內(nèi)容了，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。
相關(guān)文章
這篇文章主要介紹了Python繪制雷達(dá)圖時(shí)遇到的坑的解決，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2021-04-04
詳解Python進(jìn)行數(shù)據(jù)相關(guān)性分析的三種方式
相關(guān)系數(shù)量化數(shù)據(jù)集的變量或特征之間的關(guān)聯(lián)。這些統(tǒng)計(jì)數(shù)據(jù)對科學(xué)和技術(shù)非常重要，Python?有很好的工具可以用來計(jì)算它們。SciPy、NumPy?和Pandas相關(guān)方法以及數(shù)據(jù)可視化功能，感興趣的可以了解一下2022-04-04
利用pyuic5將ui文件轉(zhuǎn)換為py文件的方法
今天小編就為大家分享一篇利用pyuic5將ui文件轉(zhuǎn)換為py文件的方法，具有很好的參考價(jià)值，希望對大家有所幫助。一起跟隨小編過來看看吧2019-06-06
Django實(shí)現(xiàn)web端tailf日志文件功能及實(shí)例詳解
這篇文章主要介紹了Django實(shí)現(xiàn)web端tailf日志文件功能，本文通過實(shí)例給大家介紹的非常詳細(xì)，具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2019-07-07
ipython是一個(gè)非常流行的python解釋器，比python解釋器好用很多，本文重點(diǎn)給大家介紹Python中使用ipython的詳細(xì)教程，需要的朋友參考下吧2021-06-06
Pycharm自帶Git實(shí)現(xiàn)版本管理的方法步驟
這篇文章主要介紹了Pycharm自帶Git實(shí)現(xiàn)版本管理的方法步驟，文中通過示例代碼介紹的非常詳細(xì)，對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價(jià)值，需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧2020-09-09
python多進(jìn)程及通信實(shí)現(xiàn)異步任務(wù)的方法
這篇文章主要介紹了python多進(jìn)程及通信實(shí)現(xiàn)異步任務(wù)需求,本人也是很少接觸多進(jìn)程的場景，對于python多進(jìn)程的使用也是比較陌生的。在接觸了一些多進(jìn)程的業(yè)務(wù)場景下，對python多進(jìn)程的使用進(jìn)行了學(xué)習(xí)，覺得很有必要進(jìn)行一個(gè)梳理總結(jié)，感興趣的朋友一起看看吧2022-05-05
今天小編就為大家分享一篇Tensorflow 合并通道及加載子模型的方法，具有很好的參考價(jià)值，希望對大家有所幫助。一起跟隨小編過來看看吧2018-07-07
這篇文章主要為大家詳細(xì)介紹了Python端口掃描簡單程序的實(shí)現(xiàn)方法,具有一定的參考價(jià)值，感興趣的小伙伴們可以參考一下2016-11-11
這篇文章主要給大家介紹了關(guān)于python中對信號處理的相關(guān)資料, 計(jì)算機(jī)借助信號來接收和發(fā)送各種命令,操作系統(tǒng)針對其編程要接收或生成的每種命令列出了至少一個(gè)信號,需要的朋友可以參考下2021-07-07