Tensorflow.js tf.layers.conv1d()用法及代码示例

Tensorflow.js 是 Google 开发的一个 javascript 库，用于在浏览器或 Node.js 中运行和训练机器学习模型。 Tensorflow.js tf.layers.conv1d() 函数用于创建卷积层。它用于对输入数据应用一维卷积。卷积层用于制作过滤器，用于过滤所需输出中的输入数据。

用法:

tf.layers.conv1d(args);

参数：该函数接受以下参数：

• args:这是包含以下值的对象类型：
  • filters:它是定义输出张量维度的数字。它是卷积中过滤器的数量。
  • kernelSize:它定义了卷积层的卷积窗口，这意味着输入数据的子集一次需要。
  • strides:它定义了卷积层在每个维度上移动输入数据的单位。
  • padding:它定义了卷积层的填充，这意味着在处理过程中添加到输入数据中的数据量。它的值可以是 ‘valid’、‘same’ 和 ‘causal’。
  • dataFormat:它将输入数据的数据格式定义为数据在“channelsFirst”或“channelsLast”中。
  • dilationRate:它用于扩张每个维度的卷积。它用于定义内核中值之间的空间。
  • activation:它定义了用于输入数据的激活函数。
  • useBias:它用于决定是否使用偏差向量。
  • kernelInitializer:它是卷积层内核的初始权重。它定义了设置卷积层初始随机权重的方式。
  • biasInitializer:它是卷积层偏置向量的初始权重。
  • kernelConstraint:用于提高效率的是卷积层内核权重的约束。
  • biasConstraint:是卷积层偏置向量提高效率的约束。
  • kernelRegularizer:正则化函数应用于核的权重矩阵以对其进行正则化。
  • biasRegularizer:它是应用于偏置向量以对其进行正则化的正则化函数。
  • activityRegularizer:它是用于正则化目的的激活函数。
  • inputShape:它声明该层接受该形状的输入层。它仅用于输入层。
  • batchInputShape:它定义了输入层的批量大小。它用于输入层。
  • batchSize:在制作输入层的过程中作为batchInputShape的补充。
  • dtype:它定义了该层的数据类型。 ‘float32’ 是层的默认值。
  • trainable:它用于使函数层可训练或不可训练。
  • weights:它是该层的初始权重值。
  • inputDtype:它用于决定输入层的数据类型。

返回值：转数1D

范例1：在这个例子中，我们将创建序列模型并使用过滤器、内核大小、输入形状和激活向其中添加一维卷积层。最后我们用层编译我们的模型并查看它的摘要。

import * as tf from "@tensorflow/tfjs"
  
  // Craating model
  const geek_Model  =  tf.sequential();
  
  // Adding inputLayer layer
  const geek_config = {inputShape:[7,4]};
  const geek_layer1 = tf.layers.inputLayer(geek_config);
  geek_Model.add(geek_layer1);
  
  // Adding convolution layer
  const geek_config2 = {
    filters:10,kernelSize:7                         
   ,inputShape:[28,1],
    activation:'relu'};
  const geek_layer2 = tf.layers.conv1d(geek_config2);
   //console.log(y.shape);
   geek_Model.add(geek_layer2);
  
  // Adding dense layer
  const geek_config3 = {
    units:7,
    activation:'softmax'
  };
  const geek_layer3 = tf.layers.dense(geek_config3);
  geek_Model.add(geek_layer3)
  
  // Compiling our model
  const geek_config4 = {
    optimizer:'sgd',
    loss:'meanSquaredError'
  }; 
  geek_Model.compile(geek_config4);
  
  // Printing our summary
  geek_Model.summary()

输出：

_________________________________________________________________
Layer (type)                 Output shape              Param #   
=================================================================
input1 (InputLayer)          [null,7,4]                0         
_________________________________________________________________
conv1d_Conv1D1 (Conv1D)      [null,1,10]               290       
_________________________________________________________________
dense_Dense1 (Dense)         [null,1,7]                77        
=================================================================
Total params:367
Trainable params:367
Non-trainable params:0
_________________________________________________________________

范例2：在这个例子中，我们将看到卷积层如何根据配置过滤输入数据。在这里，我们使用 inputShape 、filter 、 kernelSize 、activation 制作卷积层并用它编译模型。过滤卷积层后，我们对输入数据使用预测函数。

import * as tf from "@tensorflow/tfjs"
  
// Input Layer for model 
const geek_config = {shape:[3,4]};
const geek_InputL = tf.input(geek_config);
console.log(`Input layer shape:${geek_InputL.shape}`);
  
// Convolution For the model  
const geek_config2 = {
  filters:2,kernelSize:2                         
 ,inputShape:[3,4],
  activation:'sigmoid'};
const geek_convLayer = tf.layers.conv1d(geek_config2).apply(geek_InputL);
console.log(`Convolution layer shape:${geek_convLayer.shape}`);
  
// Adding layer to the model 
const geek_config3 = {inputs:geek_InputL, outputs:geek_convLayer};
const model = tf.model(geek_config3);
// Compiling the model 
const geek_config4 = {optimizer:'sgd',loss:'meanSquaredError'};
model.compile(geek_config4);
  
// Predicting the value for the input 
const geek_Test = tf.randomUniform([3,3,4]);
model.predict(geek_Test).print();

输出：

Input layer shape:,3,4
Convolution layer shape:,2,2
Tensor
    [[[0.5468831, 0.4990641],
      [0.3059803, 0.4743758]],

     [[0.4450175, 0.4848864],
      [0.3678558, 0.4276305]],

     [[0.4802476, 0.5687023],
      [0.4083693, 0.4854257]]]

参考：https://js.tensorflow.org/api/3.6.0/#layers.conv1d