Tensorflow.js tf.layers.conv1d()用法及代碼示例

Tensorflow.js 是 Google 開發的一個 javascript 庫，用於在瀏覽器或 Node.js 中運行和訓練機器學習模型。 Tensorflow.js tf.layers.conv1d() 函數用於創建卷積層。它用於對輸入數據應用一維卷積。卷積層用於製作過濾器，用於過濾所需輸出中的輸入數據。

用法:

tf.layers.conv1d(args);

參數：該函數接受以下參數：

• args:這是包含以下值的對象類型：
  • filters:它是定義輸出張量維度的數字。它是卷積中過濾器的數量。
  • kernelSize:它定義了卷積層的卷積窗口，這意味著輸入數據的子集一次需要。
  • strides:它定義了卷積層在每個維度上移動輸入數據的單位。
  • padding:它定義了卷積層的填充，這意味著在處理過程中添加到輸入數據中的數據量。它的值可以是 ‘valid’、‘same’ 和 ‘causal’。
  • dataFormat:它將輸入數據的數據格式定義為數據在“channelsFirst”或“channelsLast”中。
  • dilationRate:它用於擴張每個維度的卷積。它用於定義內核中值之間的空間。
  • activation:它定義了用於輸入數據的激活函數。
  • useBias:它用於決定是否使用偏差向量。
  • kernelInitializer:它是卷積層內核的初始權重。它定義了設置卷積層初始隨機權重的方式。
  • biasInitializer:它是卷積層偏置向量的初始權重。
  • kernelConstraint:用於提高效率的是卷積層內核權重的約束。
  • biasConstraint:是卷積層偏置向量提高效率的約束。
  • kernelRegularizer:正則化函數應用於核的權重矩陣以對其進行正則化。
  • biasRegularizer:它是應用於偏置向量以對其進行正則化的正則化函數。
  • activityRegularizer:它是用於正則化目的的激活函數。
  • inputShape:它聲明該層接受該形狀的輸入層。它僅用於輸入層。
  • batchInputShape:它定義了輸入層的批量大小。它用於輸入層。
  • batchSize:在製作輸入層的過程中作為batchInputShape的補充。
  • dtype:它定義了該層的數據類型。 ‘float32’ 是層的默認值。
  • trainable:它用於使函數層可訓練或不可訓練。
  • weights:它是該層的初始權重值。
  • inputDtype:它用於決定輸入層的數據類型。

返回值：轉數1D

範例1：在這個例子中，我們將創建序列模型並使用過濾器、內核大小、輸入形狀和激活向其中添加一維卷積層。最後我們用層編譯我們的模型並查看它的摘要。

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()

輸出：

_________________________________________________________________
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
_________________________________________________________________

範例2：在這個例子中，我們將看到卷積層如何根據配置過濾輸入數據。在這裏，我們使用 inputShape 、filter 、 kernelSize 、activation 製作卷積層並用它編譯模型。過濾卷積層後，我們對輸入數據使用預測函數。

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();

輸出：

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]]]

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