【图解】一维卷积conv1d

已于 2023-07-20 15:33:21 修改
阅读量1w 收藏 15
点赞数 2
文章标签： 深度学习 python 神经网络
于 2023-03-23 10:20:18 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/u010087338/article/details/129725181
版权
文章探讨了NLP中一维卷积(Conv1D)的应用，以及GLU层在神经网络中的作用，阐述了如何利用这些技术在文本处理中捕捉模式，并与二维卷积在图像识别中的应用进行了对比。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

直接看这个文章： NLP神经网络之一维卷积的处理【Conv1D】和GLU层_神经网络glu_子燕若水的博客-CSDN博客

 直接看这个文章： NLP神经网络之一维卷积的处理【Conv1D】和GLU层_神经网络glu_子燕若水的博客-CSDN博客 

 直接看这个文章： NLP神经网络之一维卷积的处理【Conv1D】和GLU层_神经网络glu_子燕若水的博客-CSDN博客

---------------------------------------------------------

 

简易的一维卷积

在下图中，您可以看到执行的操作。左边的对象代表您的输入，中间的对象代表您的内核（大小为 (3,1)），右边的对象代表您的输出。

实际项目中的一维卷积

 
这种架构处理文本时要考虑的是一维 CNN (Conv1D)。它们所基于的原理类似于使用AutoKeras 进行图像分类和回归时看到的 2D CNN 。这些神经网络设法通过过滤器学习文本中的模式，就像它们在上一章中学习图像一样。

注意此时的卷积核在连线上进行应用，没有直接被画出

实际项目中的多维卷积

CNN(二维卷积Conv2D)实现时间序列预测(PyTorch版)
sybh的博客
10-04 857
一、基于PyTorch搭建CNN(二维卷积Conv2D)模型实现风速时间序列预测 上一篇文章我们使用一维卷积Conv1D进行预测，对于本篇文章我们尝试使用图像任务常用的二维卷积Conv2D进行处理时序数据，对于时序类型我们可以将它转化为图像数据的格式【通道数，宽，高】。 由于这样强行转换，尽管最终能够使用二维卷积进行预测，但是违背了二维卷积提取数据的意图，所以说模型最终效果略差于Conv1D一维卷积，至于为什么下面我们定义模型的时候给出说明。
一维卷积（1D-CNN）、二维卷积（2D-CNN）、三维卷积（3D-CNN）
CSS360的博客
01-05 1万+
一维卷积神经网络（1D-CNN） 一维卷积常用在序列模型、自然语言处理领域； 假设输入数据维度为8，filter维度为5； 不加padding时，输出维度为4，如果filter的数量为16，那么输出数据的shape就是； 二维卷积神经网络（2D-CNN） 二维卷积常用在计算机视觉、图像处理领域（在视频的处理中，是对每一帧图像分别利用CNN来进行识别，没有考虑时间维度的信息）； 假设原始图像 shape 为（其中3为3个通道），使用32个大小为（其中3为深度，与通道数相同）的卷积核对其进行
卷积神经网络的训练流程图
08-23
所用的方法是梯度下降（Gradient descent）：通过使loss值向当前点对应梯度的反方向不断移动，来降低loss。一次移动多少是由学习速率（learning rate）来控制的。
卷积神经网络 - 一维卷积、二维卷积
最新发布
分享技术人生的学习笔记和过往心得，与志同道合者共同进步
03-14 1970
卷积(Convolution)，也叫褶积，是分析数学中一种重要的运算。在信号处理或图像处理中，经常使用一维或二维卷积，本博文我们来学习一维卷积和二维卷积。
一维卷积神经网络（1D-CNN）
搏博的专栏
11-19 1万+
三种不同结构的自定义的1D-CNN，分别是基于VGG结构的1D-CNN（VNet）、基于EfficienNet结构的1D-CNN（ENet）、基于ResNet结构的1D-CNN（RNet）。假设输入数据维度为8，卷积核filter维度为5，不加填充padding时，输出维度为4，如果filter的数量为16，那么输出数据的shape就是4*16;一维卷积神经网络的基本结构与二维卷积神经网络（2D CNN）类似，但主要区别在于卷积操作是在一维序列上进行的。这种方法在音乐创作和自动生成领域具有广泛的应用前景。
一维卷积过程示意图
iamjingong的博客
08-02 1万+
在 Keras 中使用一维卷积神经网络处理时间序列数据：https://juejin.im/post/5beb7432f265da61524cf27c
一维卷积神经网络做回归预测模型
01-05
一维卷积神经网络，cnn，回归预测，多输入，单输出，基于matlab，替换数据和特征个数即可，拿来直接使用。分为清空环境变量、导入数据、划分训练集和测试集、数据平铺、构造网络结构、参数设置、训练模型、均方根误差、绘制网络分析图、绘图、相关指标计算等几个模块，各个模块均标有备注，直接替换数据即可使用，用于新手学习深度学习算法非常好
一维卷积网络重点图
weixin_42497252的博客
11-13 822
keras使用1D卷积的例子 apply a convolution 1d of length 3 to a sequence with 10 timesteps with 64 output filters model = Sequential() model.add(Convolution1D(64, 3, border_mode=‘same’, input_shape=(10, 32))) ...
图解一维卷积层（PyTorch）
wzy628810的博客
12-08 5303
图解一维卷积层（PyTorch） 在NLP中，我们需要对文本做embedding表示，那么embedding之后的文本做一维卷积运算的过程到底是什么样子的呢？我们给出下图加以说明
CONV1D一维卷积神经网络运算过程（举例：n行3列➡n行6列）
热门推荐
养乐多的博客
09-02 2万+
假设我们现在有 n 行，3列数据。n 行可以是 n 个点，也可以是 n 个样本数据。3列可以视为3列特征，即特征向量。具体过程就是让每一行数据点乘一个卷积核，得到一个数，6个卷积核就是6个数，这样就把一个点的3列变成了6列。然后逐行遍历每个点，就可以得到新的得分矩阵。一维卷积的运算过程网上很多人说不清楚，示意图画的也不清楚。因此，本人针对一维卷积的过程，绘制了计算过程，以我的知识量解释一下 pytorch 中 Conv1d() 函数的机理。从6列变成12列，就点乘12个卷积核。③、第n行数据参与卷积。
一维卷积
qq_42018521的博客
01-28 4378
一维卷积分为：full卷积、same卷积和valid卷积
1D-CNN:非线性回归模型在一维卷积神经网络中的应用
04-12
一维神经网络 非线性回归模型在一维卷积神经网络中的应用
Conv1d 一维卷积图解
新缸中之脑
07-23 1万+
在深度学习中，卷积层是许多深度神经网络的主要构建块。该设计的灵感来自视觉皮层，其中单个神经元对视野的受限区域（称为感受野）做出反应。这些区域的集合重叠以覆盖整个可见区域。虽然卷积层最初应用于计算机视觉，但其平移不变特性使卷积层可以应用于自然语言处理、时间序列、推荐系统和信号处理。理解卷积的最简单方法是将其视为应用于矩阵的滑动窗口函数。本文将了解一维卷积的工作原理并探讨每个参数的影响。
torch.nn.Conv1d()----pytorch与一维卷积
猫笑北的博客
12-07 1240
@TOC nn.Conv1d()源代码翻译与解读：
深度之眼Pytorch打卡（十四）：Pytorch卷积神经网络部件——卷积操作与卷积层（对卷积操作超细致动图分析，卷积转矩阵乘法分析）
意疏的学习笔记
08-06 2898
前言   人每天处理的信号中，有超过70%的是视觉信号，所以视觉问题，包括分类，检测，分割、风格转换等等占了深度学习任务中的很大部分。而卷积神经网络是计算机视觉领域当之无愧的霸主。卷积神经网络是稀疏连接，并且权值共享的，参数比全连接要少非常多，所以完完全全可以用图像全像素作为输入，并且它比全连接网络更容易训练，且能做得更深。另外，卷积神经网络，浅层卷积提取简单特征，深层卷积提取复杂特征，还有感受野等设计都在一定程度上受大脑视觉皮层结构的启发1 ，所以它比较适合视觉任务。这篇笔记主要学习卷积神经网络的核心—
小知识点系列(五) 本文(5万字) | 解读深度学习中的八种卷积 | pytorch中Conv1d、Conv2d，Conv3d | 空洞卷积 | 转置卷积 | 深度可分离卷积 |
专注于人工智能学习，总结
12-28 1212
卷积（convolution），是一种运算，你可以类比于加，减，乘，除，矩阵的点乘与叉乘等等，它有自己的运算规则，卷积的符号是星号。表达式为：连续卷积表达式：离散卷积表达式为：从参数上来看，x + (n-x) = n，可以类比为x + y = n，也就是说f, g的参数满足规律y = -x + n，即g的参数是f的参数先翻转再平移n。把g从右边褶到左边去，也就是卷积的卷的由来。然后在这个位置对两个函数的对应点相乘，然后相加，这个过程是卷积的积的过程。因此卷积的过程可以理解为：翻转，滑动，叠加。
卷积神经网络算法原理(卷积层，卷积运算，填充，步幅，经过卷积运算后的特征图大小，池化层，最大池化，平均池化，经过池化层运算后的特征图大小)
每一个不曾起舞的日子，都是对生命的辜负
03-13 2346
深度学习三大领域：大数据与数据挖掘、计算机视觉、自然语言处理；在计算机视觉中，卷积神经网络（CNN）扮演着重要角色，用来提取图像的特征；卷积神经网络是深度学习中极其重要的神经网络模型，在此基础上发展成计算机视觉领域，目前计算机神经有图像分类、目标检测、图像分割等分支，其落地项目也很多。其中大部分算法都是在卷积神经网络的基础上进行改进而成，想学习好卷积神经网络需要配合各种网络模型图去理解。
PyTorch：学习conv1D,conv2D和conv3D
Fighting Hua
05-02 2347
背景 CNN是深度学习的重中之重，而conv1D，conv2D，和conv3D又是CNN的核心，所以理解conv的工作原理就变得尤为重要。在本博客中，将简单梳理一下这三种卷积，以及在PyTorch中的应用方法。 参考 https://pytorch.org/docs/mas...
conv1d 示意图
02-13
### Conv1D 一维卷积神经网络图解 在一维卷积神经网络（Conv1D）中，输入通常是时间序列数据或其他形式的一维信号。与二维卷积不同的是，一维卷积只在一个方向上滑动滤波器来捕捉局部模式。 #### 输入形状 对于一维卷积来说，常见的输入张量形状为 `(batch_size, sequence_length, input_channels)` 或者在某些框架中也可以是 `(sequence_length, batch_size, input_channels)` 取决于具体实现方式[^1]。 #### 卷积过程 假设有一个长度为 `L` 的向量作为输入，并且应用了一个宽度为 `k` 的过滤器，则该过滤器会在整个输入序列上移动并计算加权和加上偏置项得到新的特征映射。每次移动的距离由步幅(`stride`)决定，默认情况下等于1，在这种设置下输出尺寸可以通过下面公式计算： \[ \text{output\_length} = (\text{input\_length}-\text{filter\_width})/\text{stride}+1 \] 当设置了填充(padding)，则可以在不影响原始信息的情况下扩展边界以保持输出大小不变或接近原大小。 #### 图形解释 为了更好地理解这个概念，可以想象一条线代表输入的时间序列数据点，而一个小窗口沿着这条线上下滑过每一个位置执行乘积累加运算生成一个新的数值加入到最终的结果集中形成一个更短的新序列。每个这样的小窗口就相当于一个可训练的一维卷积核。 ```plaintext Input Sequence (Length L): [x0,x1,...,xi,...,x(L-1)] Filter/Kernel : [w0,w1,...wk] Stride : s Padding : p Output Sequence : [y0,y1,...ym] where m=(L-k+p*2)/s+1 ``` 在这个过程中，通过调整不同的超参数如内核大小、步长以及是否使用零填充等选项能够控制模型学习不同类型的空间关系特性。
评论
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

子燕若水

吹个大气球

¥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