keras中Convolution1D的使用

这篇文章主要说明两个东西，一个是Convolution1D的介绍，另外一个是model.summary()的使用。

首先我先说下model.summary()，此方法能够打印出模型的信息，读者能够查看每层输出内容。

接下来就说下Convolution1D的使用了，Convolution1D一维卷积，主要用于过滤一维输入的相邻元素，官方文档是这样的

keras.layers.convolutional.Convolution1D(nb_filter, filter_length, init='glorot_uniform', activation=None, weights=None, border_mode='valid', subsample_length=1, W_regularizer=None, b_regularizer=None, activity_regularizer=None, W_constraint=None, b_constraint=None, bias=True, input_dim=None, input_length=None)

而后官方给出的事例是这样的

# apply a convolution 1d of length 3 to a sequence with 10 timesteps,
# with 64 output filters
model = Sequential()
model.add(Convolution1D(64, 3, border_mode='same', input_shape=(10, 32)))
# now model.output_shape == (None, 10, 64)

# add a new conv1d on top
model.add(Convolution1D(32, 3, border_mode='same'))
# now model.output_shape == (None, 10, 32)

而后用print(model.summary())输出是这样的：

 

   下面我就围绕着上面代码简单介绍下：当把该层做为首层时，须要说明 input_shape

input_shape=(10, 32)简而言之就是10个32维的向量了，nb_filter : 卷积核的数量，也是输出的维度。filter_length : 每一个过滤器的长度。
首先咱们先看第一个卷积层，输出shape很容易理解，由于有64个卷积核，因此输出也就是64，接下来咱们看下参数：其实能够这么理解，咱们把例子中（10，32）的信号进行1D卷积至关于对其进行卷积核为（filter_length, 32）的2D卷积

好了，就酱吧