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
版权声明:本⽂为CSDN博主「graceful snow」的原创⽂章,遵循CC 4.0 by-sa版权协议,转载请附上原⽂出处链接及本声明。
bemmart