Keras，Conv1D：在summary（）或使用plot\u model（）上打印/打印内核大小信息

在keras中，我有一个涉及keras.layers.Conv1D的模型，并尝试绘制它。例如，这里有一个简单的例子：

从keras.models导入顺序模型
从keras.layers导入Conv1D
从keras.utils导入plot\u模型
从IPython.display导入图像，显示
seq_长度=无
M=6
内核大小=3
过滤器=1
模型=顺序（）
model.add(
Conv1D(
过滤器=过滤器，
内核大小=内核大小，
input_shape=（seq_length，M），#将此层用作模型中的第一层时，请提供input_shape参数
)        
)
model.compile（loss='binary\u crossentropy'，
优化器='rmsprop'，
指标=[‘准确度’]）
打印“可训练参数=（{}[filters]）*（（6[input_shape[1]]）x（{}[kernel_size]]）+（1[bias]）={}”。格式（过滤器，kernel_size，M*kernel_size+1）
plot_model（model，to_file='model.png'，show_shapes=True）
显示（model.summary（））
显示（图像（filename='model.png'））

这给出了模型的概要和曲线图： 此外，总参数正确标识为：

（1[filters]）*（（6[input_shape[1]]）x（3[kernel_size]]）+（1[bias]）=19

然而，据我所知，关于内核大小为3的信息是不存在的

问题:

输入显示为：（无，无，6）。。。为什么不是（无，3，6）？。。。（这是某种错误，还是我遗漏了什么？）

有没有办法在摘要或图像上显示内核大小

---

对于问题1：

• 输入形状为：

  （批量大小、序列长度、特征）

• 而输出形状为：

  （batchSize、newSequenceLength、layerFilters）

显示的形状不包含有关内核大小的信息。过滤器“沿顺序”应用。在整个序列中逐步计算相同的过滤器。无论序列大小，都是相同的过程

如果使用的是

padding='valid'

（默认值），那么内核大小可能更改的唯一数字是

newSequenceLength

。使用

padding='valid'

时，您将丢失序列的边框：

newSequenceLength = sequenceLength - (kernel_size - 1)   

如果序列的长度为3，那么将使用这3个步骤计算内核一次。如果序列的长度为4，则内核将计算两次。前三步一次，后三步一次。如果长度为5，内核将应用3次，每组3个步骤一次。等等

但是，如果使用的是

padding='same'

，则输出长度将与输入长度相同（keras将用足够的步长填充输入，因此丢失边框后的输出与输入长度相同）

为什么

无

keras中的

None

维度用于模型允许该维度具有任何大小的情况。对于该模型，您可以使用任何批次大小和任何序列长度

对于问题2：

我不知道。但您可以随时检查：

for layer in model.layers:
    if hasattr(layer,'kernel_size'):
        print(layer.kernel_size)

---

塔克斯。我会接受这个答案，因为它回答了我的问题，对任何开始关注Conv1D的人来说都是非常有用的。我仍然不满意为什么内核大小没有以任何方式绘制，并且担心我的理解是错误的。。。让我举一个例子：我有一个conv1D层（如示例所示），然后是一个致密层（假设有3个神经元），如果内核大小为1，那么我从7个神经元移动到3个神经元。如果从19到3是3。。。因此，在我决定模型时，内核大小应该是非常相关的信息。但当我打印它时，它甚至没有显示出来。。。这是出乎意料的……不是“神经元”，而是“参数/权重”。是的，内核越大，权重就越大。但是卷积层的目的主要是检测模式。您应该根据模式的大小来决定内核的大小。内核大小为1只不过是将通道连接在一起，但不需要寻找冗长的模式。这几乎与在3D数据中使用密集层相同。通常，最佳大小为3，您可以堆叠一系列卷积和最大池来检测更大的模式。在卷积层中，“过滤器”与神经元进行比较。

print（layer.kernel.shape）

还将打印每个过滤器中的通道数以及使用的过滤器数量。例如，以

的格式（过滤高度、过滤宽度、每个层过滤的每个通道的数量、每个层输入的通道的数量、每个层使用的过滤器的数量）