當前位置: 首頁>>編程示例 >>用法及示例精選 >>正文


Python tf.keras.layers.Conv1D用法及代碼示例

一維卷積層(例如時間卷積)。

繼承自: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
)

參數

  • filters 整數,輸出空間的維度(即卷積中輸出濾波器的數量)。
  • kernel_size 一個整數或單個整數的元組/列表,指定一維卷積窗口的長度。
  • strides 一個整數或單個整數的元組/列表,指定卷積的步長。指定任何步幅值 != 1 與指定任何 dilation_rate 值 != 1 不兼容。
  • padding 之一"valid","same"或者"causal"(不區分大小寫)。"valid"表示沒有填充。"same"導致在輸入的左/右或上/下均勻填充零,以使輸出具有與輸入相同的高度/寬度尺寸。"causal"導致因果(擴張)卷積,例如output[t]不依賴於input[t+1:].在模型不應違反時間順序的時間數據建模時很有用。看WaveNet:原始音頻的生成模型,第 2.1 節.
  • data_format 一個字符串,是 channels_last (默認)或 channels_first 之一。
  • dilation_rate 一個整數或單個整數的元組/列表,指定用於擴張卷積的擴張率。目前,指定任何 dilation_rate 值 != 1 與指定任何 strides 值 != 1 不兼容。
  • groups 一個正整數,指定輸入沿通道軸拆分的組數。每個組分別與 filters / groups 過濾器進行卷積。輸出是沿通道軸的所有groups 結果的串聯。輸入通道和 filters 都必須能被 groups 整除。
  • activation 要使用的激活函數。如果您未指定任何內容,則不會應用激活(請參閱keras.activations)。
  • use_bias 布爾值,層是否使用偏置向量。
  • kernel_initializer kernel 權重矩陣的初始化程序(參見 keras.initializers )。默認為'glorot_uniform'。
  • bias_initializer 偏置向量的初始化程序(參見keras.initializers)。默認為'zeros'。
  • kernel_regularizer 應用於kernel 權重矩陣的正則化函數(參見keras.regularizers)。
  • bias_regularizer 應用於偏置向量的正則化函數(參見keras.regularizers)。
  • activity_regularizer 應用於層輸出的正則化函數(其"activation")(參見keras.regularizers)。
  • kernel_constraint 應用於核矩陣的約束函數(參見keras.constraints)。
  • bias_constraint 應用於偏置向量的約束函數(參見keras.constraints)。

返回

  • 代表 activation(conv1d(inputs, kernel) + bias) 的 3 階張量。

拋出

  • ValueError strides > 1dilation_rate > 1 時。

該層創建了一個卷積核,該核與層輸入在單個空間(或時間)維度上進行卷積,以產生輸出張量。如果 use_bias 為 True,則會創建一個偏置向量並將其添加到輸出中。最後,如果 activation 不是 None ,它也會應用於輸出。

當將此層用作模型中的第一層時,請提供 input_shape 參數(整數元組或 None ,例如 (10, 128) 用於 128 維向量的 10 個向量的序列,或 (None, 128) 用於可變長度128 維向量的序列。

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)

輸入形狀:

具有形狀的 3+D 張量:batch_shape + (steps, input_dim)

輸出形狀:

具有形狀的 3+D 張量:batch_shape + (new_steps, filters) steps 值可能由於填充或步幅而改變。

相關用法


注:本文由純淨天空篩選整理自tensorflow.org大神的英文原創作品 tf.keras.layers.Conv1D。非經特殊聲明,原始代碼版權歸原作者所有,本譯文未經允許或授權,請勿轉載或複製。