Python 一维卷积神经网络权值矩阵

我正在Keras中建立1D CNN，以便对模拟信号中的短脉冲进行分类。 我的模型如下：

    def one_dim_cnn_cust_model(n_kernel_1, n_kernel_2, n_outputs):
    
      input_shape = [1, 25]
      model = Sequential()
      model.add(Reshape((25, 1), input_shape=(input_shape)))
    
      model.add(Conv1D(filters=8, kernel_size=n_kernel_1, activation='relu', 
      input_shape=input_shape[1:]))
      model.add(Dense(16, activation='relu'))
      model.add(Conv1D(filters=8, kernel_size=n_kernel_2, activation='relu',padding="same"))
      model.add(Dropout(0.5))
      model.add(AveragePooling1D(pool_size=10))#35
    
      model.add(Flatten())
    
      model.add(Dense(16, activation='relu'))
      model.add(Dropout(0.5))
      model.add(Dense(8, activation='relu'))
      model.add(Dropout(0.5))
      model.add(Dense(n_outputs, activation='sigmoid'))
      print(model.output_shape)
      return (model)

训练后，我想提取特征、权重和偏差，以便能够在C++中实现这个简单的美国有线电视新闻网。为了确保我理解它，我实现了第一个卷积层，如下所示：

    l1_outouts_calc = np.zeros((8,10))
    kernel_size=16
    for ch in range (0,8):
        for stride in range(0, 10):
            data_section = input_vect[0, stride:stride + kernel_size]
            cnv_plus_bias = np.sum(data_section * l1_weights[ch]) + l1_bias[ch]
            l1_outouts_calc[ch,stride]=(np.max([0,cnv_plus_bias[0]]))#Relu activation
    l1_outouts_calc=l1_outouts_calc.T   

我得到了和Keras一样的结果。 权重矩阵尺寸：8x16（numpy阵列）

然后我实现了secound层，它是完全连接的。 权重矩阵尺寸：8x16（numpy阵列）

再一次，我得到了和Keras一样的结果 然后，我在尝试实现第三层（即卷积层）时遇到了误解，在完全连接层之后。 我得到了16x16x8的权重矩阵维度，我不知道如何使用Numpy在Python中实现这个层

据我所知，具有2D内核和stride constriant的一维卷积应按如下方式实现： （基于我得到的维度）

它的简单意思是在步幅上一步一步地循环，对于每个步幅，从中的数据提取兼容部分，计算每个部分与其兼容内核的卷积，然后求和。 但我不明白为什么我得到了16通道16x8矩阵的权重矩阵，以及如何使用Numpy实现它

---

谢谢你，希望你能回复一个简短的解释。

你说你在第一次会议后得到了与Keras相同的尺寸，但是你得到了8x16，总结显示为10x8。这是怎么回事？权重矩阵的尺寸是8x16 m。根据我的理解，输出是8X10，这是因为我需要计算FC层的输出（其尺寸是10x16）与权重3D矩阵（其尺寸是16x8）中每个通道的矩阵乘法，然后求和16个输出矩阵（权重矩阵的第三维为16）在轴0上。问题是什么时候我需要添加偏差并执行Relu？我需要一个向量一个向量地执行此2操作吗？你说你在第一次转换后得到了与Keras相同的尺寸，但你得到了8x16，摘要显示了10x8。怎么会这样？权重矩阵尺寸是8x16 m，输出是8X10，因为我了解到我需要的步幅要计算FC层（尺寸为10x16）输出与权重3D矩阵（尺寸为16x8）中每个通道的矩阵乘法，请将16个输出矩阵相加（权重矩阵的第三维为16）在轴0上。问题是何时需要添加偏差并执行Relu？是否需要逐向量执行此2操作？

    l1_outouts_calc = np.zeros((8,10))
    kernel_size=16
    for ch in range (0,8):
        for stride in range(0, 10):
            data_section = input_vect[0, stride:stride + kernel_size]
            cnv_plus_bias = np.sum(data_section * l1_weights[ch]) + l1_bias[ch]
            l1_outouts_calc[ch,stride]=(np.max([0,cnv_plus_bias[0]]))#Relu activation
    l1_outouts_calc=l1_outouts_calc.T   

    fc_outouts_calc = np.dot(l1_outouts_calc,fc_weights) + fc_bias
    fc_outouts_calc = np.maximum(fc_outouts_calc, 0)

    l3_outouts_calc = np.zeros((8, 10))
    kernel_size=16
    for weight_ch in range(0, 8):
        for stride in range(0, 10):
            sum_val = 0.0
            for din_ch in range(0, 16):
                data_section = fc_outouts_pad[din_ch, stride:stride + kernel_size]
                cnv_plus_bias = np.sum(data_section * l3_weights[weight_ch,din_ch, :])+l3_bias[weight_ch]
                                
                sum_val += np.max([0,cnv_plus_bias ]) 
            l3_outouts_calc[weight_ch, stride] = sum_val