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）