二维输入的Conv1D

Question

有人能向我解释当一个角星Conv1D层被输入到2D时会发生什么吗？例如：

model=Sequential()
model.add(Conv1D(input_shape=(9000,2),kernel_size=200,strides=1,filters=20))

在(9000,1)和(9000,2)之间更改输入大小并调用model.summary()，我看到输出形状保持不变，但参数的数量会发生变化。那么，这是否意味着为每个通道训练不同的滤波器，但是输出在输出前要经过第二维的求和/平均？不然呢？

Answer 1

在医生里您可以读到输入必须是2D的。

Conv1D可以看作是一个时间窗口，通过一系列向量.内核将是二维窗口，与向量长度一样大(输入的第二维度)，并且与您的窗口大小一样长。

所以这是完全正常的，你的两个网络有相同的输出形状.由于核的尺寸是第二维的2倍，所以参数的个数更大。

我希望这会有所帮助：)

Answer 2

这是一个直观的例子

kernel_size = (2, )

------------- 
| 1 1 1 1 1 |                <---- kernel dim = kernel_size X 5
| 2 2 2 2 2 |
-------------
  3 3 3 3 3 



--------------------------
| 1 1 1 1 1 1 1 1 1 1 1 1 |  <---- kernel dim = kernel_length X 12
| 2 2 2 2 2 2 2 2 2 2 2 2 |        i.e more params! but after 
--------------------------         you apply say MaxPool1D(pool_size=(2,2))
  3 3 3 3 3 3 3 3 3 3 3 3          in both cases, then layer shapes from here
                                   on out are the same, thus same outputs!