tf.keras.layers.Conv1D 学习

已于 2022-01-25 11:03:31 修改
阅读量2.9k 收藏 10
点赞数 2
分类专栏： tensorflow2.x NLP 文章标签： keras tensorflow 深度学习
于 2021-12-23 16:58:53 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sslfk/article/details/122111037
版权 
tf.keras.layers.Conv1D(filters=3, kernel_size=2, activation='relu',use_bias=True)

其中，filters参数表示，将输入的每一个窗口数据经过几个过滤器输出，其中每一个过滤器表示一个映射方式，定义为g(x)；可以类似深度网络中每一层的维度数，原理如下图所示

kernel_size：卷积的窗口大小，由于是Cov1D，即1维卷积

一个完整句子的卷积处理过程如下：

 

所以当输入一个（batch_size,token_size,embedding_size）的数据时，通过对每一个句子的token卷积 输出为：（batch_size,token_size-kernel_size+1,filters）

举例，比如一个batch下的数据，卷积过程为：

滤波器在矩阵指定方向上滑动，对应位置相乘求和

会发paper的学渣
关注
  • 2
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
卷积层尺寸形状变化
Jiashilin
09-26 1430
卷积层尺寸的计算原理 输入矩阵格式：四个维度，依次为：样本数、图像高度、图像宽度、图像通道数 输出矩阵格式：与输出矩阵的维度顺序和含义相同，但是后三个维度（图像高度、图像宽度、图像通道数）的尺寸发生变化。 权重矩阵（卷积核）格式：同样是四个维度，但维度的含义与上面两者都不同，为：卷积核高度、卷积核宽度、输入通道数、输出通道数（卷积核个数） 输入矩阵、权重矩阵、输出矩阵这三者之间的相互决定关...
keras: CNN(1D)
u011279649的专栏
07-09 2807
怎样确认使用是keras还是tensorflow的keras? from tensorflow.keras.models import Sequential //tensorflow 实现的keras from keras.models import Sequential //common的keras 如果tf版本是：2.0.0-beta1，tensorflow已经集成或者说实现了kera...
tf.keras.layers.Conv1D和tf.keras.layers.Conv1DTranspose
Be busy living or busy dying
12-08 2743
tf.keras.layers.Conv1D( filters, kernel_size, strides=1, padding='valid', data_format='channels_last', dilation_rate=1, groups=1, activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regulari
Tensorflow卷积神经网络之conv1d和conv2d的解读笔记
duanyuwangyuyan的博客
09-02 3722
1. 问题 在看《Tensorflow实战google深度学习框架》的卷积神经网络章节的时候。文中提到tensorflow卷积层的接口 conv1d和conv2d等；而且示例也没看懂，和预想的理论计算的结果不一致。接下来，分析tensorflow的conv1d和conv2d的源码。 2. conv1d 2.1 source code def conv1d(value, filters, stride, padding, use_cudnn_on_gpu=None, data_forma
tf.keras.layers.Conv1D 一维卷积 示例
weixin_44493841的博客
01-07 1788
tf.keras.layers.Conv1D 一维卷积 示例 import tensorflow as tf from tensorflow import keras import numpy as np a1 = np.arange(0, 50).reshape(10, 5,1) input_data = a1.astype(np.float32) print(input_data.shape) (10, 5, 1) output_data = keras.layers.Conv1D( 64
TF-tf.keras.layers.Conv1D
重剑无锋博客
07-06 1282
tf.keras.layers.Conv1D( filters, kernel_size, strides=1, padding=‘valid’, data_format=‘channels_last’, dilation_rate=1, groups=1, activation=None, use_bias=True, kernel_initializer=‘glorot_uniform’, bias_initializer=‘zeros’, kernel_regularizer=None, bias_r
对tensorflow中tf.nn.conv1d和layers.conv1d的区别详解
09-17
当然，随着TensorFlow版本的更新，新的API如`tf.keras.layers.Conv1D`（属于Keras API）也提供了更丰富的功能和更好的兼容性，使得模型构建更加容易和高效。 总结来说，`tf.nn.conv1d`和`layers.conv1d`都是执行一...
关于keras.layers.Conv1D的kernel_size参数使用介绍
01-19
今天在用keras添加卷积层的时候，发现了kernel_size这个参数不知...补充知识：tf.layers.conv1d函数解析（一维卷积） 一维卷积一般用于处理文本，所以输入一般是一段长文本，就是词的列表 函数定义如下： tf.layers.
Highway_Conv1d_Keras_Tensorflow2:pytorch，keras和tensorflow2.x中的conv1d公路网络
04-09
在Keras中实现Conv1D，你可以使用`tf.keras.layers.Conv1D`类。基本语法为： ```python Conv1D(filters, kernel_size, strides=1, padding='valid', activation=None, use_bias=True, kernel_initializer='glorot_...
在keras里实现自定义上采样层
09-16
在深度学习领域，Keras是一个非常流行的高级神经网络API，它构建在TensorFlow、Theano和CNTK等后端之上。在处理图像数据时，上采样层（UpSampling2D）是一个重要的组件，用于增大输入特征图的尺寸。然而，Keras内置...
一维卷积filter_tensorflow中一维卷积conv1d处理语言序列的一点记录
weixin_39636987的博客
02-22 585
工作中用卷积方法进行自然语言处理(NLP)相关任务，用到了tensorflow中的一些函数及方法：tf.nn.conv1dtf.layters.conv1d用cov2d实现cov1d两种池化操作不同核尺寸卷积操作下面分别介绍tf.nn.conv1d：函数形式： tf.nn.conv1d(value, filters, stride, padding, use_cudnn_on_gpu=None, ...
NLP分类常用模型（一）：一维卷积tf.layers.conv1d() + 全连接tf.layers.dense()
boss的博客
04-07 950
class TextCNN(object): """文本分类，CNN模型""" def __init__(self): # 三个待输入的数据 self.x = tf.placeholder(tf.int32, [None, config.max_seq_length], name='input_x') self.y = tf.pla...
神经网络卷积层与池化层
Vteran的博客
02-05 1133
神经网络卷积层与池化层基础
keras.layers.Conv1D中卷积核参数kernel_size的理解
nebula1008的博客
02-06 2709
我们知道二维卷积中kernel_size就是二维的，对应于感受野的大小，conv1d的kernel_size中只需要填一个数字，而不是二维的数组，是因为一维卷积的kernel_size默认为（kernel_size，你输入数据的列的维度）。举例，输入维度为（xxx，40,7），conv1d(16, 3, input_shape=(40, 7)）其实就相当于二维卷积，只不过卷积核（x,y）的y默认就是输入数据（xxx,x,y）的y。那么输入数据进入卷积层后输出的维度为（xxx，40,16）
Keras中Conv1D和Conv2D的区别
热门推荐
CODE and POEM
03-13 5万+
如有错误，欢迎斧正。 我的答案是，在Conv2D输入通道为1的情况下，二者是没有区别或者说是可以相互转化的。首先，二者调用的最后的代码都是后端代码（以TensorFlow为例，在tensorflow_backend.py里面可以找到）： x = tf.nn.convolution( input=x, filter=kernel, dilatio...
对于keras.layers.Conv1D的kernel_size参数的理解
weixin_43790560的博客
06-11 2万+
今天在用keras添加卷积层的时候，发现了kernel_size这个参数不知怎么理解，keras中文文档是这样描述的： kernel_size: 一个整数，或者单个整数表示的元组或列表， 指明 1D 卷积窗口的长度。 又经过多方查找，大体理解如下： 因为是添加一维卷积层Conv1D()，一维卷积一般会处理时序数据，所以，卷积核的宽度为1，而kernel_size就是卷积核的长度了，这样的意思就是...
keras 实现conv1D卷积
as472780551的博客
06-05 3703
import numpy as np import keras from keras.models import Sequential from keras.layers import Dense, Dropout, Flatten, LSTM, Input from keras.layers import Conv2D, MaxPooling2D, Convolution1D, Acti...
TensorFlow tf.keras.layers.conv2D
Claroja
07-26 2万+
conv2d(inputs, filters, kernel_size, strides=(1, 1), padding=‘valid’, data_format=‘channels_last’, dilation_rate=(1, 1), activation=None, use_bias=True, kernel_initializer=None, bias_initializer=<t...
tensorflow conv1d 代码实例 及 具体运算过程
Talk Is Cheap
02-18 811
import tensorflow as tf import numpy as np batch_size = 2 sequence_len = 5 hidden_size = 2 kernel_len = 2 in_channel = hidden_size out_channel = hidden_size a1 = np.array(np.arange(1, 1 + sequence_len * hidden_size).reshape([sequence_len, hidden_size]), d
tf.keras.layers.conv1d示例
最新发布
09-06
当然！这是一个使用`tf.keras.layers.Conv1D`的简单示例： ```python import tensorflow as tf # 创建输入张量 input_shape = (10, 32) # 输入形状为 (batch_size, timesteps, input_dim) inputs = tf.keras.Input(shape=input_shape) # 应用 Conv1D 层 num_filters = 16 kernel_size = 3 conv1d = tf.keras.layers.Conv1D(filters=num_filters, kernel_size=kernel_size)(inputs) # 打印输出形状 print(conv1d.shape) ``` 在这个示例中，我们首先创建一个输入张量 `inputs`，其形状为 `(batch_size, timesteps, input_dim)`。然后，我们使用 `tf.keras.layers.Conv1D` 创建一个 Conv1D 层，指定了过滤器数量 `num_filters` 和卷积核大小 `kernel_size`。最后，我们将输入张量传递给 Conv1D 层，并打印出输出的形状。 希望这个示例能够帮助你理解如何使用 `tf.keras.layers.Conv1D`！如果有任何进一步的问题，请随时提问。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

会发paper的学渣

您的鼓励和将是我前进的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值