tensorflow一维卷积输入_[tensorflow] 对一维卷积池化和二维卷积池化的新感悟

本文通过TensorFlow实例探讨一维和二维卷积的区别,指出一维卷积核是二维的,二维卷积核是三维的。在卷积过程中,一维卷积的通道数影响卷积核大小,而二维卷积中,输入被视作图片,通道数仅为1。卷积输出的维度由步移和卷积核数目决定。
摘要由CSDN通过智能技术生成

首先上观点:

一维卷积的卷积核是二维的,二维卷积的卷积核是三维的

一维池化的池化核是一维的,二维池化的池化核是二维的

为什么卷积的时候卷积核维度多了一维呢?因为有通道(channel)的存在。比如对于语音处理中常用的特征MFCC,一般来说网络的输入是[timestep, num_mfcc],对其使用一维卷积,则有:

import numpy as np

import tensorflow as tf

tf.enable_eager_execution()

np.random.seed(0)

timestep = 2

num_mfcc = 3

mfcc = np.random.rand(1,timestep,num_mfcc)

print(mfcc.shape)

print(mfcc)

mfcc = tf.convert_to_tensor(mfcc,dtype=tf.float32,name='mfcc')

out = tf.keras.layers.Conv1D(filters=4,kernel_size=2,strides=1,padding="same")(mfcc)

print(out.numpy().shape)

print(out.numpy())

# 结果

(1, 2, 3)

[[[0.5488135 0.71518937 0.60276338]

[0.54488318 0.4236548 0.64589411]]]

(1, 2, 4)

[[[ 0.07261014 -0.5585

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
实付
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