Keras 在时间数据的自动编码器中，在哪里使用扩展卷积？

我正在尝试为Keras中的一维卷积时间序列数据建立编译码模型。考虑这个简单的模型：

inputs=Input（形状=（时间步，输入尺寸））
t=Conv1D（16，内核大小=3，padding='same'）（输入）
编码=Conv1D（16，内核大小=2，步幅=2）（t）
t=上采样1d（2）（编码）
t=Conv1D（16，内核大小=3，padding='same'）（输入）
decoded=Conv1D（1，内核大小=3，padding='same'）（t）
模型=模型（输入，解码）

我的问题是：

在哪里使用膨胀（

膨胀率=2

）？为了最大化感受野，是仅在编码器中还是在两者中

我应该用什么作为潜在表征？全连接层，低维图像（如上所述），池或更少的过滤器

---

这个答案适用于通过谷歌来到这里的其他人：

扩张与步幅：步幅使响应变小。所以你只使用一次。膨胀通过在两者之间添加零使内核变大。它将产生与跨步相同的效果，但不会使响应变小。 Keras/tf.Keras示例：

x = input_img

x = Conv2D(16, (3, 3), padding='valid')(x)
x = Conv2D(16, (3, 3), strides=2, padding='valid')(x)
x = Conv2D(16, (3, 3), padding='valid')(x)
x = Conv2D(16, (3, 3), strides=2, padding='valid')(x)
x = Conv2D(16, (3, 3), padding='valid')(x)

encoded = Conv2D(num_featers, (2, 2), padding='valid')(x)

同：

x = Conv2D(16, (3, 3), padding='valid')(x)
x = Conv2D(16, (3, 3), padding='valid')(x)
x = Conv2D(16, (3, 3), dilation_rate=2, padding='valid')(x)
x = Conv2D(16, (3, 3), dilation_rate=2, padding='valid')(x)
x = Conv2D(16, (3, 3), dilation_rate=4, padding='valid')(x)

encoded = Conv2D(num_featers, (2, 2), dilation_rate=4, padding='valid')(x)

如果你用像这样的扩张率来代替自动编码器中的步幅，它就会起作用。（Conv2dTranspose也有扩容率，但这不起作用：。一个解决办法是用步幅（编码器）和放大2D（解码器）来训练你的网络。使用扩容后，将这些权重加载到一个更简单的编码器中。）

关于池：在这种情况下不需要池，但它可以帮助消除位置偏差。另一种方法是增加翻译以获得相同的结果。取决于你的问题，你是否想要这个

完全连接：完全过时。只需使用一个大小相同的卷积层来连接所有内容。这是完全相同的，但将有可能有一个更大的投入

---

更少或更多的过滤器：我永远不知道。可视化过滤器和/或过滤器响应。如果你看到的过滤器非常相似，你习惯了很多过滤器。或者没有足够的刺激差异（辍学和数据扩充可能会有帮助）。

为什么要使用

扩容

？以最大化感受野，并能够将系列中的所有信息压缩到一个小的数据结构中