Keras Conv1d 參數及輸入輸出詳解

Conv1d(in_channels，out_channels，kernel_size，stride=1，padding=0，dilation=1，groups=1，bias=True)

• filters:卷積核的數目(即輸出的維度)
• kernel_size:整數或由單個整數構成的list/tuple，卷積核的空域或時域窗長度
• strides:整數或由單個整數構成的list/tuple，為卷積的步長。任何不為1的strides均為任何不為1的dilation_rata均不兼容
• padding:補0策略，為”valid”，”same”或”casual”，”casual”將產生因果(膨脹的)卷積，即output[t]不依賴於input[t+1:]。當對不能違反事件順序的時序信號建模時有用。“valid”代表只進行有效的卷積，即對邊界數據不處理。“same”代表保留邊界處的卷積結果，通常會導致輸出shape與輸入shape相同。
• activation:激活函數，為預定義的激活函數名,或逐元素的Theano函數。如果不指定該函數，將不會使用任何激活函數(即使用線性激活函數:a(x)=x)

 

model.add(Conv1D(filters=nn_params["input_filters"],
                     kernel_size=nn_params["filter_length"],
                     strides=1,
                     padding='valid',
                     activation=nn_params["activation"],
                     kernel_regularizer=l2(nn_params["reg"])))

例：輸入維度為（None，1000，4）

　　第一維度：None

　　第二維度：output_length = int((input_length - nn_params["filter_length"] + 1))

　　　　　　　在此情況下為：output_length = （1000 + 2*padding - filters +1）/ strides = （1000 + 2*0 -32 +1）/1 = 969

　　第三維度：filters