keras实战-入门之一维卷积

一维卷积

最近接触到一维卷积，最开始的时候觉得应该很简单，然后网上看了几个例子，参数很奇怪，特别是模型的维度搞不明白，不知道怎么来的，看API也不太明白，可能我太笨了，所以自己琢磨了半天，才稍微弄了点明白，今天不怎么讲代码，就讲点原理吧。

二维卷积比较常见，基本上一个图片的样本的维度是(高，宽，通道)，而一维是(高，宽)，而对于句子来说，比如I am Jack,三个单词，但是单词一般会变成词向量，比如简单点3维的，我就三个词，就3维，那这样，这个一维的样本就是(3,3)，高就是有几个单词，宽就是每个单词的维度。同理，如果是原始语音信号，是采样得到的，比如采样3秒，每秒16000的采样率，这样就得到48000个采样点，每个点对应一个幅度值，这里的高就是48000，宽就是幅度值，因为就是个值，是一维向量，所以样本就是(48000,1).这个应该好理解吧。

网上找了个图，最简单的，样本是(3,4,1,5,6),卷积核(-2,2,1),步长是1，直观看下吧：

卷积的过程我拿个简单的例子来说下：
输入是(64,1)，经过两次卷积核最大池化后变成了(1, 16),看上去好神奇，有点反直觉啊，具体来看看吧。

inp = Input(shape=(64,1))
x = Conv1D(32, (9), activation='relu')(inp)
x = MaxPool1D((4))(x)
x = Conv1D(16, (9), activation='relu')(x)
x = MaxPool1D((4))(x)
model = Model(inp, x)

结构如下：

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_6 (InputLayer)         (None, 64, 1)             0         
_________________________________________________________________
conv1d_22 (Conv1D)           (None, 56, 32)            320       
_________________________________________________________________
max_pooling1d_14 (MaxPooling (None, 14, 32)            0         
_________________________________________________________________
conv1d_23 (Conv1D)           (None, 6, 16)             4624      
_________________________________________________________________
max_pooling1d_15 (MaxPooling (None, 1, 16)             0         
=================================================================
Total params: 4,944
Trainable params: 4,944
Non-trainable params: 0
_________________________________________________________________

我来解释下维度的变化：

首先输入层(None, 64, 1) 表示样本数未定，但是每个样本是(64,1)是我们设定的。

经过conv1d_22 (Conv1D) 层得到(None, 56, 32)，32是因为我们用了32个过滤器提取特征.。
56是因为卷积长度是9，默认步子是1，也就是每次拿长度为9的格子，走一格走遍64个，做向量点乘，得到一个值，直到走到最后一个能包含整个滤波器为止，剩下多出来的不要了。比如最开始是0-8和滤波器做点积，然后1-9，2-10，3-11一直到55-63，剩下的56-63小于9所以不要了。因此总共是55-0+1=56个，所以维度是(None, 56, 32) ,下面的也同理。

至于最大池化MaxPool1D就是等于除法，取整，比如 MaxPool1D((4))就是把刚才剩下的56/4刚好是14，但是最后的池化是6/4，取整是1，刚还最后剩下 (None, 1, 16)。如果不明白的话可以自己动手画画，我也是这么弄明白的，其实跟二维卷一样，就是好像看起来不是那么明显。

好了，今天就到这里了，希望对学习理解有帮助，大神看见勿喷，仅为自己的学习理解，能力有限，请多包涵，图片来自网络，侵删。