python - Keras 中 Conv1D 的行为(张量维度)

Question

我的问题涉及 Keras 中 Conv1D 层涉及的张量的维度。输入形状应该是(批处理、步骤、 channel )。例如，我有加速度计数据，其中我得到每个轴的时间信号。我想对长度为 50 的时间窗口进行推理，因此用于推理的一个样本的形状为 (50, 3)。

现在，如果我使用 Conv1D 层作为该数据的第一层，kernel_size=10 且过滤器=64，则一个数据窗口上第一层的结果具有形状 (41, 64)。我完全理解会弹出 41，因为它是长度为 50 的信号与长度为 10 的内核卷积产生的样本数。但是，我并不完全确定加速度计的三个轴在这些数据中的位置。我更期望以下行为:

input_shape = (批处理、步骤、 channel ),output_shape =(批处理、steps_after_conv、 channel 、过滤器)

有人可以解释 Keras 的行为吗？我从文档中不太明白它。

Answer 1

如上图所示(图片提供:http://followtheart.info/kareff-Mon_15_14.html)，在 CNN 的卷积操作中，每个滤波器在所有 channel (三个 channel )上进行卷积对于 RGB 图像)用于计算输出值。因此，在 64 个滤波器的情况下，每个滤波器将从其感受野中的所有输入 channel 获取值。因此，无论您的输入中有多少个 channel ，您的输出都将具有 64 个过滤器的输出。

对于一批图像(batch_size, num_channels, height, width)，输出的形状将为(batch_size, num_filters, height_after_conv, width_after_conv)。