Keras、Conv1D：在 summary() 或使用 plot_model() 上打印/绘制 kernel_size 的信息

Question

在keras中，我有一个涉及keras.layers.Conv1D的模型，并尝试绘制它。例如，这是一个简单的例子：

from keras.models import Sequential,Model
from keras.layers import Conv1D
from keras.utils import plot_model
from IPython.display import Image, display


seq_length = None
M=6
kernel_size = 3
filters=1

model = Sequential()
model.add(
    Conv1D(
        filters = filters, 
        kernel_size = kernel_size, 
        input_shape=(seq_length, M),#When using this layer as the first layer in a model, provide an input_shape argument 
    )        
)

model.compile(loss='binary_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])
print 'Trainable params = ({}[filters])*((6[input_shape[1]])x({}[kernel_size]])+(1[bias])) = {}'.format(filters,kernel_size,M*kernel_size+1)
plot_model(model, to_file='model.png',show_shapes=True)
display(model.summary())
display(Image(filename='model.png'))

这很好地给出了模型的摘要和图：此外，总参数被正确识别为：

(1[filters])*((6[input_shape[1]])x(3[kernel_size]])+(1[bias])) = 19

但是，据我所知，关于 kernel_size 是 3 的信息没有显示...

问题：

输入显示为：(None, None, 6)...为什么不是e.g. (None, 3, 6)?...（这是一些错误，还是我遗漏了什么？）
有没有办法在摘要或图片上显示 kernel_size？

Answer 1

第1题：

输入形状为：(batchSize, sequenceLength, features)
而输出形状是：(batchSize, newSequenceLength, layerFilters)

显示的形状不包含有关内核大小的信息。过滤器已应用 "along the sequence"。在整个序列中逐步计算相同的过滤器。这是相同的过程，无论序列的大小。

如果您使用 padding='valid'（默认值），内核大小唯一可能改变的数字是 newSequenceLength。使用padding='valid'时，会丢失序列的边界：

newSequenceLength = sequenceLength - (kernel_size - 1)

如果一个序列的长度为 3，内核将使用这 3 个步骤计算一次。如果一个序列的长度为 4，内核将被计算两次。前 3 个步骤一次，后 3 个步骤一次。如果长度为 5，内核将应用 3 次，每组 3 个步骤一次。等等...

但是，如果您使用的是 padding='same'，则输出长度将与输入长度相同（keras 将用足够的步长填充输入，因此丢失边框后的输出长度相同作为输入）

为什么None？

keras 中的 None 维度用于模型允许该维度具有任意大小的情况。对于此模型，您可以使用任何批量大小和任何序列长度。

第2题：

我不知道。但您可以随时查看：

for layer in model.layers:
    if hasattr(layer,'kernel_size'):
        print(layer.kernel_size)

Keras、Conv1D：在 summary() 或使用 plot_model() 上打印/绘制 kernel_size 的信息

Keras, Conv1D: printing / plotting information of kernel_size on summary() or using plot_model()

keras

rnn