一维卷积神经网络撞墙出坑

哈喽，各位小伙伴萌，今天要给大家带来的是一维卷积神经网络入门入门再入门

什么是一维卷积

首先让我们来看看什么是一维卷积，它可以用在什么地方呢？先上链接→
https://blog.csdn.net/orDream/article/details/106342711?utm_medium=distribute.pc_relevant.none-task-blog-baidujs_title-4&spm=1001.2101.3001.4242

摘自以上博客“在介绍Conv1D之前，首先给出一个提示。即在Conv1D中，内核沿一维滑动。现在，让我们在此处暂停博客，考虑哪种类型的数据仅需要内核在一个维度上滑动并具有空间特性？
答案是时间序列数据。让我们看一下以下数据。“

”来自加速度计的序列数据

该数据是从人戴在手臂上的加速度计中收集的。数据表示所有三个轴的加速度。一维CNN可以根据加速度计数据执行活动识别任务，例如人的身姿，行走，跳跃等。此数据有2个维度。第一维是时间步长，其他维是3轴上的加速度值。
下图说明了内核如何在加速度计数据上移动。每行代表某个轴的时间序列加速度。内核只能沿时间轴一维移动。”

举个例子：

import keras

from keras.layers import Conv1D

model = keras.models.Sequential()

model.add(Conv1D(1, kernel_size=5, input_shape = (120, 3)))

model.summary()

“参数input_shape（120，3）表示120个时间步，每个时间步中有3个数据点。这3个数据点是x，y和z轴的加速度。参数kernel_size为5，表示内核的宽度，内核高度将与每个时间步中的数据点数相同。
同样，一维CNN也可用于 音频和文本数据因为我们还可以将声音和文本表示为时间序列数据。请参考下面的图片。”

【划重点咯】这里可以看到一维卷积神经网络适合处理时间序列数据，除了大家非常熟知的自然语言处理中的文本数据、声音信号、人体生命特征之外，还有一类数据非常容易被大家忽视，那就是工业过程数据，例如轴承振动传感器的加速度数据等等

卷积的基本操作

这里顺带补充下卷积的数学操作，注意哦不是内卷，是卷积
https://blog.csdn.net/weixin_39526651/article/details/110814023

卷积核的大小和个数

那么问题来喽，conv1d的卷积核大小和卷积核个数怎么计算呢？
链接来喽→这篇链接中的例子简单有效
https://www.jianshu.com/p/2915426257ec

尤其是这个例子，“去打球嘛”四个字其实是一个时间序列，自然语言处理中通过embedding把每个字embedding到5个维度，所以呢这5个维度是数据处理中经常提到的特征或者是字段，等同于x轴、y轴、z轴等等加速度信号，而4个字“去打球嘛”反而是一个时间序列，类似于x轴的加速度信号

这里有个疑问？？？2个卷积核，每个卷积核的大小是2×5，为什么卷积之后得到的大小是3×2，之前本人一直纠结在一维度和一维度做卷积，那么得到2×3×5大小，其实不需要这么复杂，我们将这个问题转化成是一个4×5的图片和一个2×5大小的卷积核坐卷积，5这个维度就被消灭了，得到了（4-2）/1+1=3个数字就可以了，又因为有2个卷积核，那么卷积之后的向量尺寸是3×2

下面这个链接中的图也说明了这个原理哦
https://blog.csdn.net/m0_53732376/article/details/115875886?spm=1001.2014.3001.5506

深度一维卷积神经网络

链接来喽→
https://cloud.tencent.com/developer/article/1451545#:~:text=%E8%80%8C%E4%B8%80%E7%BB%B4%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%EF%BC%881D%20CNNs%EF%BC%89%E5%8F%AA%E5%9C%A8%E4%B8%80%E5%AE%9A%E7%A8%8B%E5%BA%A6%E4%B8%8A%E6%9C%89%E6%89%80%E6%B6%89%E5%8F%8A%EF%BC%8C%E6%AF%94%E5%A6%82%E5%9C%A8%E8%87%AA%E7%84%B6%E8%AF%AD%E8%A8%80%E5%A4%84%E7%90%86%EF%BC%88NLP%EF%BC%89%E4%B8%AD%E7%9A%84%E5%BA%94%E7%94%A8%E3%80%82%20%E7%9B%AE%E5%89%8D%E5%BE%88%E5%B0%91%E6%9C%89%E6%96%87%E7%AB%A0%E8%83%BD%E5%A4%9F%E6%8F%90%E4%BE%9B%E5%85%B3%E4%BA%8E%E5%A6%82%E4%BD%95%E6%9E%84%E9%80%A0%E4%B8%80%E7%BB%B4%E5%8D%B7%E7%A7%AF%E7%A5%9E%E7%BB%8F%E7%BD%91%E7%BB%9C%E6%9D%A5%E8%A7%A3%E5%86%B3%E4%BD%A0%E5%8F%AF%E8%83%BD%E6%AD%A3%E9%9D%A2%E4%B8%B4%E7%9A%84%E4%B8%80%E4%BA%9B%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E9%97%AE%E9%A2%98%E3%80%82%20%E6%9C%AC%E6%96%87%E8%AF%95%E5%9B%BE%E8%A1%A5%E4%B8%8A%E8%BF%99%E6%A0%B7%E4%B8%80%E4%B8%AA%E7%9F%AD%E6%9D%BF%E3%80%82%20%E4%BD%95%E6%97%B6%E5%BA%94%E7%94%A8%201D%20CNN%EF%BC%9F,CNN%20%E5%8F%AF%E4%BB%A5%E5%BE%88%E5%A5%BD%E5%9C%B0%E8%AF%86%E5%88%AB%E5%87%BA%E6%95%B0%E6%8D%AE%E4%B8%AD%E7%9A%84%E7%AE%80%E5%8D%95%E6%A8%A1%E5%BC%8F%EF%BC%8C%E7%84%B6%E5%90%8E%E4%BD%BF%E7%94%A8%E8%BF%99%E4%BA%9B%E7%AE%80%E5%8D%95%E6%A8%A1%E5%BC%8F%E5%9C%A8%E6%9B%B4%E9%AB%98%E7%BA%A7%E7%9A%84%E5%B1%82%E4%B8%AD%E7%94%9F%E6%88%90%E6%9B%B4%E5%A4%8D%E6%9D%82%E7%9A%84%E6%A8%A1%E5%BC%8F%E3%80%82%20%E5%BD%93%E4%BD%A0%E5%B8%8C%E6%9C%9B%E4%BB%8E%E6%95%B4%E4%BD%93%E6%95%B0%E6%8D%AE%E9%9B%86%E4%B8%AD%E8%BE%83%E7%9F%AD%E7%9A%84%EF%BC%88%E5%9B%BA%E5%AE%9A%E9%95%BF%E5%BA%A6%EF%BC%89%E7%89%87%E6%AE%B5%E4%B8%AD%E8%8E%B7%E5%BE%97%E6%84%9F%E5%85%B4%E8%B6%A3%E7%89%B9%E5%BE%81%EF%BC%8C%E5%B9%B6%E4%B8%94%E8%AF%A5%E7%89%B9%E6%80%A7%E5%9C%A8%E8%AF%A5%E6%95%B0%E6%8D%AE%E7%89%87%E6%AE%B5%E4%B8%AD%E7%9A%84%E4%BD%8D%E7%BD%AE%E4%B8%8D%E5%85%B7%E6%9C%89%E9%AB%98%E5%BA%A6%E7%9B%B8%E5%85%B3%E6%80%A7%E6%97%B6%EF%BC%8C1D%20CNN%20%E6%98%AF%E9%9D%9E%E5%B8%B8%E6%9C%89%E6%95%88%E7%9A%84%E3%80%82%201D%20CNN%20%E5%8F%AF%E4%BB%A5%E5%BE%88%E5%A5%BD%E5%9C%B0%E5%BA%94%E7%94%A8%E4%BA%8E%E4%BC%A0%E6%84%9F%E5%99%A8%E6%95%B0%E6%8D%AE%E7%9A%84%E6%97%B6%E9%97%B4%E5%BA%8F%E5%88%97%E5%88%86%E6%9E%90%EF%BC%88%E6%AF%94%E5%A6%82%E9%99%80%E8%9E%BA%E4%BB%AA%E6%88%96%E5%8A%A0%E9%80%9F%E5%BA%A6%E8%AE%A1%E6%95%B0%E6%8D%AE%EF%BC%89%EF%BC%9B%E5%90%8C%E6%A0%B7%E4%B9%9F%E5%8F%AF%E4%BB%A5%E5%BE%88%E5%A5%BD%E5%9C%B0%E7%94%A8%E4%BA%8E%E5%88%86%E6%9E%90%E5%85%B7%E6%9C%89%E5%9B%BA%E5%AE%9A%E9%95%BF%E5%BA%A6%E5%91%A8%E6%9C%9F%E7%9A%84%E4%BF%A1%E5%8F%B7%E6%95%B0%E6%8D%AE%EF%BC%88%E6%AF%94%E5%A6%82%E9%9F%B3%E9%A2%91%E4%BF%A1%E5%8F%B7%EF%BC%89%E3%80%82

确实是深度好文，它把深度的conv1d的网络结构搭起来了呢，特别是下边这张图需要好好看懂下

结尾

今天的分享就到这里啦，感兴趣的小伙伴萌请点赞、转发、评论、收藏啊
引用文献如有冒犯请多见谅哦