理解tensorflow conv1d可训练变量形状
我将Keras与TensorFlow 2一起使用,我有一个经过训练的模型,其权重对应于模型的每一层,但一些conv1d层的形状让我困惑。 我将卷积层设置为64个过滤器,长度为16,但我的权重向量的形状在最后类似于(16,64,64)。 有人能给我解释一下吗?我假设16是每个过滤器的长度,最后64个是我的num_过滤器,另一个是什么,我的意思是,它是如何三维的?应该是(16,64)或者什么的。 此外,在z轴上指定每个过滤器的长度不是很奇怪吗?(当然,假设计算机科学版本表示维度(z,x,y而不是x,y,z)) 我得到的是这样的东西:理解tensorflow conv1d可训练变量形状,tensorflow,machine-learning,keras,conv-neural-network,artificial-intelligence,Tensorflow,Machine Learning,Keras,Conv Neural Network,Artificial Intelligence,我将Keras与TensorFlow 2一起使用,我有一个经过训练的模型,其权重对应于模型的每一层,但一些conv1d层的形状让我困惑。 我将卷积层设置为64个过滤器,长度为16,但我的权重向量的形状在最后类似于(16,64,64)。 有人能给我解释一下吗?我假设16是每个过滤器的长度,最后64个是我的num_过滤器,另一个是什么,我的意思是,它是如何三维的?应该是(16,64)或者什么的。 此外,在z轴上指定每个过滤器的长度不是很奇怪吗?(当然,假设计算机科学版本表示维度(z,x,y而不是x,
name:conv1d/kernel:0 shape:(16,64,64) dtype:<dtype:'float32'> numpy=...
name:conv1d/kernel:0形状:(16,64,64)数据类型:numpy=。。。
提前感谢各位。回答我自己的问题,前64个对应于我们面临的数据深度。例如,如果您希望对具有10个特征的数据使用5个32位长度的过滤器(换句话说,conv层的输入深度为10),那么您的可变形状将是:(32,10,5)