当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


Python tf.keras.layers.Conv1D用法及代码示例


一维卷积层(例如时间卷积)。

继承自:LayerModule

用法

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_regularizer=None, activity_regularizer=None, kernel_constraint=None,
    bias_constraint=None, **kwargs
)

参数

  • filters 整数,输出空间的维度(即卷积中输出滤波器的数量)。
  • kernel_size 一个整数或单个整数的元组/列表,指定一维卷积窗口的长度。
  • strides 一个整数或单个整数的元组/列表,指定卷积的步长。指定任何步幅值 != 1 与指定任何 dilation_rate 值 != 1 不兼容。
  • padding 之一"valid","same"或者"causal"(不区分大小写)。"valid"表示没有填充。"same"导致在输入的左/右或上/下均匀填充零,以使输出具有与输入相同的高度/宽度尺寸。"causal"导致因果(扩张)卷积,例如output[t]不依赖于input[t+1:].在模型不应违反时间顺序的时间数据建模时很有用。看WaveNet:原始音频的生成模型,第 2.1 节.
  • data_format 一个字符串,是 channels_last (默认)或 channels_first 之一。
  • dilation_rate 一个整数或单个整数的元组/列表,指定用于扩张卷积的扩张率。目前,指定任何 dilation_rate 值 != 1 与指定任何 strides 值 != 1 不兼容。
  • groups 一个正整数,指定输入沿通道轴拆分的组数。每个组分别与 filters / groups 过滤器进行卷积。输出是沿通道轴的所有groups 结果的串联。输入通道和 filters 都必须能被 groups 整除。
  • activation 要使用的激活函数。如果您未指定任何内容,则不会应用激活(请参阅keras.activations)。
  • use_bias 布尔值,层是否使用偏置向量。
  • kernel_initializer kernel 权重矩阵的初始化程序(参见 keras.initializers )。默认为'glorot_uniform'。
  • bias_initializer 偏置向量的初始化程序(参见keras.initializers)。默认为'zeros'。
  • kernel_regularizer 应用于kernel 权重矩阵的正则化函数(参见keras.regularizers)。
  • bias_regularizer 应用于偏置向量的正则化函数(参见keras.regularizers)。
  • activity_regularizer 应用于层输出的正则化函数(其"activation")(参见keras.regularizers)。
  • kernel_constraint 应用于核矩阵的约束函数(参见keras.constraints)。
  • bias_constraint 应用于偏置向量的约束函数(参见keras.constraints)。

返回

  • 代表 activation(conv1d(inputs, kernel) + bias) 的 3 阶张量。

抛出

  • ValueError strides > 1dilation_rate > 1 时。

该层创建了一个卷积核,该核与层输入在单个空间(或时间)维度上进行卷积,以产生输出张量。如果 use_bias 为 True,则会创建一个偏置向量并将其添加到输出中。最后,如果 activation 不是 None ,它也会应用于输出。

当将此层用作模型中的第一层时,请提供 input_shape 参数(整数元组或 None ,例如 (10, 128) 用于 128 维向量的 10 个向量的序列,或 (None, 128) 用于可变长度128 维向量的序列。

例子:

# The inputs are 128-length vectors with 10 timesteps, and the batch size
# is 4.
input_shape = (4, 10, 128)
x = tf.random.normal(input_shape)
y = tf.keras.layers.Conv1D(
32, 3, activation='relu',input_shape=input_shape[1:])(x)
print(y.shape)
(4, 8, 32)
# With extended batch shape [4, 7] (e.g. weather data where batch
# dimensions correspond to spatial location and the third dimension
# corresponds to time.)
input_shape = (4, 7, 10, 128)
x = tf.random.normal(input_shape)
y = tf.keras.layers.Conv1D(
32, 3, activation='relu', input_shape=input_shape[2:])(x)
print(y.shape)
(4, 7, 8, 32)

输入形状:

具有形状的 3+D 张量:batch_shape + (steps, input_dim)

输出形状:

具有形状的 3+D 张量:batch_shape + (new_steps, filters) steps 值可能由于填充或步幅而改变。

相关用法


注:本文由纯净天空筛选整理自tensorflow.org大神的英文原创作品 tf.keras.layers.Conv1D。非经特殊声明,原始代码版权归原作者所有,本译文未经允许或授权,请勿转载或复制。