内核大小等于1的Conv1D做什么？

问题描述

我读了一个将 LSTM 与 CONV1 一起使用的示例。
（摘自：）

I read an example of using LSTM with CONV1.(Took it from: CNN LSTM)

Conv1D(filters=64, kernel_size=1, activation='relu')

• 我知道卷积的维数是1（大小为1的一个暗角）




1. 卷积的值是多少？ （矩阵1 * 1的值是多少？）


2. 我不知道什么是 filters = 64 ？是什么意思？


3. relu 激活函数是否对卷积的输出起作用？ （根据我的读物，似乎是这样，但我不确定）


4. 使用 kernel_size = 1 ，就像我们在这里所做的一样？


1. what is the value of the convolution ? (what is the value of the matrix 1*1 ?)
2. I can't figure out what is the filters=64 ? what does it mean ?
3. Is the relu activation function work on the output of the convolutional ? (from what I read it seems like that, but I'm not sure)
4. what is the motivation to use convolutional with kernel_size = 1, as we do here ?




推荐答案

过滤器




filters = 64 表示使用的单独过滤器数为64。
每个过滤器将输出1个通道。也就是说，这里有64个滤波器对输入进行运算，以产生64个不同的通道（或矢量）。因此 filters 参数确定输出通道的数量。

filters

filters = 64 means number of separate filters used is 64.Each filter will output 1 channel. i.e. here 64 filters operate on input to produce 64 different channels(or vectors). Hence filters parameter determines number of output channels.

kernel_size 确定卷积窗口的大小。假设 kernel_size = 1 ，则每个内核的维度将为 in_channels x 1 。因此，每个内核权重将是 in_channels x 1 维张量。

kernel_size determines the size of the convolution window. Suppose kernel_size = 1 then each kernel will have dimension of in_channels x 1. Hence each kernel weight will be in_channels x 1 dimension tensor.

这意味着 relu 激活将应用于卷积运算的输出。

That means relu activation will be applied on the output of convolution operation.

用于通过应用非线性来减少深度通道。

Used to reduce depth channels with applying non-linearity. It will do something like weighted average across the channels while keeping receptive field.

在您的示例中，例如： filters = 64，kernel_size = 1，激活= relu
假设输入要素地图的大小为 100 x 10 （100个通道）。然后，图层权重将为 64 x 100 x 1 。输出大小将为 64 x 10 。

In your eg: filters = 64, kernel_size = 1, activation = reluSuppose input feature map has size of 100 x 10(100 channels). Then the layer weight will of dimension 64 x 100 x 1. The output size will be 64 x 10.

这篇关于内核大小等于1的Conv1D做什么？的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持！