pythonkeras一维卷积_CNN中的1维卷积

pythonkeras⼀维卷积_CNN中的1维卷积新台网

1维卷积对于处理时间序列数据有重要意义，具体讲解如下：

给定⼀个数据集，数据维度为3000⾏7列; 3000个样本，7个特征，5个类别，利⽤⼀维卷积进⾏分类

⾸先对数据进⾏处理，将其转换为3维数据，3000×时间步长×特征数，从⽽使得数据的格式能被keras接受。这⾥取时间步长10 model.add(Conv1D(100,2))

新语文活页

队列队形变换添加第⼀个⼀维卷积层，100个卷积核，卷积核⼤⼩为2，10－2+1=9，输出数据9⾏100列，width为7

model.add(Conv1D(100,2))

添加第⼀个⼀维卷积层，100个卷积核，卷积核⼤⼩为2，9－2+1=8，输出数据8⾏100列，width为7

model.add(Maxpooling1D(3,2))池化核⼤⼩为3，步长为2，(8-3＋1)/2=3，输出数据3⾏100列，width为7

(疑问：假设池化核为2，步长为2，则(8-2+1)/2=3.5，这时维度有待于keras上实验)

石家庄城域网注意：若model.add(Maxpooling1D(2))，则池化核⼤⼩为2，步长也为2。

model.add(Conv1D(160,2))

添加第⼀个⼀维卷积层，160个卷积核，卷积核⼤⼩为2，3－2+1=2，输出数据2⾏160列，width为7

此时卷积核的权重矩阵为100⾏160列，

2⾏100列的矩阵与100⾏160列的矩阵相乘，即可得到2⾏160列的矩阵

————————————————

云颠簸

bemmart

本文发布于:2024-09-22 12:32:29，感谢您对本站的认可！

标签：数据卷积时间

留言与评论（共有 0 条评论）