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：Layer，Module

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
)

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。