keras中Convolution1D的使用

這篇文章主要說明兩個東西，一個是Convolution1D的介紹，另外一個是model.summary()的使用。

首先我先說下model.summary()，此方法能夠打印出模型的信息，讀者能夠查看每層輸出內容。

接下來就說下Convolution1D的使用了，Convolution1D一維卷積，主要用於過濾一維輸入的相鄰元素，官方文檔是這樣的

keras.layers.convolutional.Convolution1D(nb_filter, filter_length, init='glorot_uniform', activation=None, weights=None, border_mode='valid', subsample_length=1, W_regularizer=None, b_regularizer=None, activity_regularizer=None, W_constraint=None, b_constraint=None, bias=True, input_dim=None, input_length=None)

而後官方給出的事例是這樣的

# apply a convolution 1d of length 3 to a sequence with 10 timesteps,
# with 64 output filters
model = Sequential()
model.add(Convolution1D(64, 3, border_mode='same', input_shape=(10, 32)))
# now model.output_shape == (None, 10, 64)

# add a new conv1d on top
model.add(Convolution1D(32, 3, border_mode='same'))
# now model.output_shape == (None, 10, 32)

而後用print(model.summary())輸出是這樣的：

 

   下面我就圍繞着上面代碼簡單介紹下：當把該層做爲首層時，須要說明 input_shape

input_shape=(10, 32)簡而言之就是10個32維的向量了，nb_filter : 卷積核的數量，也是輸出的維度。filter_length : 每一個過濾器的長度。
首先咱們先看第一個卷積層，輸出shape很容易理解，由於有64個卷積核，因此輸出也就是64，接下來咱們看下參數：其實能夠這麼理解，咱們把例子中（10，32）的信號進行1D卷積至關於對其進行卷積核爲（filter_length, 32）的2D卷積

好了，就醬吧