理解keras Conv1D输出

我试图理解一维卷积层是如何工作的

让我们准备数据

from sklearn.model_selection import train_test_split
import keras

import pandas as pd
df = pd.read_csv('https://raw.githubusercontent.com/uiuc-cse/data-fa14/gh-pages/data/iris.csv', 
                 names=['sepal_length', 'sepal_width', 'petal_length', 'petal_width', 'species'], header = 1)

df['labels'] = df['species'].astype('category').cat.codes

X = df[['sepal_length', 'sepal_width', 'petal_length', 'petal_width']]
ylab = df['labels']
x_train, x_test, y_train, y_test = train_test_split(np.asarray(X), np.asarray(ylab), test_size=0.33, shuffle= True)

# The known number of output classes.
num_classes = 3

# Input image dimensions
input_shape = (4,)

# Convert class vectors to binary class matrices. This uses 1 hot encoding.
y_train_binary = keras.utils.to_categorical(y_train, num_classes)
y_test_binary = keras.utils.to_categorical(y_test, num_classes)

x_train = x_train[0:100,:].reshape(99, 4,1)
x_test = x_test[0:50,:].reshape(50, 4,1)

这是Keras模型

from __future__ import print_function    
from keras.models import Sequential
import keras
from keras.models import Sequential
from keras.layers import Dense, Flatten, Conv1D
from keras.callbacks import ModelCheckpoint
from keras.models import model_from_json
from keras import backend as K

model = Sequential()
model.add(Conv1D(10, (4), input_shape=(4,1), activation='relu')) # filter size 4 is the max number of filters - becaus every feature is convoluted 
model.add(Flatten())
model.add(Dense(num_classes, activation='softmax'))

model.compile(loss=keras.losses.categorical_crossentropy,
              optimizer=keras.optimizers.Adadelta(),
              metrics=['accuracy'])
model.summary()

我的数据是4维的。因此，CNN的滤波器大小似乎不能大于4。因此，当我将其设置为4时，意味着所有4个功能都将被常规化。我很好奇

Conv1D

中的第一个参数是什么意思

根据文件

filters: Integer, the dimensional of the output space (i.e. the number of output filters in the convolution). 

---

所以我很好奇，在四个功能中，如何生成10个？！（可能我遗漏了什么），但我更喜欢一个可视化的解决方案，或者一个显示如何导出输出的公式。我注意到了，但是增加过滤器的性能会更好（1比10）。理想情况下，我想了解这对性能的影响。

假设使用4单位宽的滤波器对4单位长的输入进行填充和卷积，下面是它的工作原理。在这种情况下，有效的填充将导致单个输出

正如您所看到的，您可以生成任意数量的输出。您所需要的只是更多内核（或过滤器）。这些过滤器本质上是一个

tensorflow

变量。这就是层中的

filter\u size

的含义。它与示例中第二个参数中设置的过滤器宽度无关

有关1D/2D/3D卷积工作原理的更多信息：

性能如何受到影响

---

至少可以说，过滤器学习输入的特征表示。表示形式越多，性能越好（通常并非总是如此）。过滤器过多也会导致安装过度。因此，您需要使用超参数优化来实现这一平衡。

谢谢。有没有办法在拟合后查看内核的值？