Python 1D CNN是否需要填充以保持输入长度？

步幅为1且滤波器为1的1D CNN的输出长度不应该等于输入长度，而不需要填充吗

我原以为是这样的，但创建了一个具有这些规范的Keras模型，该模型表示输出形状为17902,1，而输入形状为17910,1。我想知道为什么维度被减少了，因为步幅是1，是1D卷积

model = keras.Sequential([
layers.Conv1D(filters=1,kernel_size=9,strides=1,activation=tf.nn.relu,input_shape=X_train[0].shape)
        ])

---

我希望这个模型的输出形状应该是17910,1，但很明显我在这个conv.层中缺少一个降维的来源。

输出向量的长度取决于输入的长度和内核大小。由于内核大小为9，因此输入将得到17902个卷积，因此输出为17902,1形状，无需填充

为了更好地理解：

无填充：

带填充：

你是否应该使用填充物更多的是一个准确性的问题。正如伊恩·古德费罗（Ian Goodfello）、约书亚·本吉奥（Yoshua Bengio）和阿隆·库尔维尔（Aaron Courville）在他们的书中发现的那样，至少2D图像的最佳填充介于无和相同之间

因此，我的建议是，尝试两种不同的CNN，除了填充之外，它们具有相同的体系结构，并采用精度更好的CNN

---

源：

输出向量的长度取决于输入的长度和内核大小。由于内核大小为9，因此输入将得到17902个卷积，因此输出为17902,1形状，无需填充

为了更好地理解：

无填充：

带填充：

你是否应该使用填充物更多的是一个准确性的问题。正如伊恩·古德费罗（Ian Goodfello）、约书亚·本吉奥（Yoshua Bengio）和阿隆·库尔维尔（Aaron Courville）在他们的书中发现的那样，至少2D图像的最佳填充介于无和相同之间

因此，我的建议是，尝试两种不同的CNN，除了填充之外，它们具有相同的体系结构，并采用精度更好的CNN

---

来源：

谢谢-我在1D卷积中误解了内核大小！谢谢-我在1D卷积中误解了内核大小！