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

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