神经网络Conv1D和Conv2D实现

输入数据的形状对比

Conv1D (batch,steps,channels)

Conv2D(batch,rows,cols,channels)

卷积核的对比

Conv1D kernel_size=2   虽然是2个单词的宽度，但在运算是使用(2,8)的卷积核的

Conv2D  kernel_size=(2,8)  

输出数据的形状对比

Conv1D(batch,new_steps,filters) 1个卷积核对文本卷积后输出列向量的行数(由于只能向下纵向卷积,因此得到的是一个列向量) 有多少个卷积核filters就有多少个列向量。

Conv2D(batch,new_rows,new_cols,filters) new_rows，new_cols表示1个卷积核对文本卷积后输出矩阵的行数和列数(由于卷积可以横向向右和纵向向下移动),有多少个卷积核filters就有多少个矩阵。

 Conv2D的参数

参数	释义
in_channels	Number of channles in the input image
out_channles	Number of channels produced by the convolution
kernel_size	卷积核尺寸
stride	步长，可以设为1个int型或者一个(int,int)型的tuple
padding	（补0）:控制zero_padding的数目
dilation	可控制kernel点的间距
groups	卷积核的个数，通常来说，卷积个数唯一，但是对某些情况，可以设置范围为1-in_channels中的数目的卷积核
bias	adds a learnable bias to the output