了解 tensorflow conv1d 可训练变量形状
understanding tensorflow conv1d trainable variable shape
我将 Keras 与 TensorFlow 2 一起使用，我有一个训练有素的模型，其权重对应于模型的每一层，但一些 conv1d 层的形状让我感到困惑。
我将卷积层设置为具有 64 个长度为 16 的滤波器，但我的权重向量的形状在最后类似于 (16,64,64)。
谁可以给我解释一下这个？我假设 16 是每个过滤器的长度，最后的 64 是我的 num_filters，另一个是什么，我的意思是它是 3 维的吗？它应该是 (16,64) 之类的。
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：
name:conv1d/kernel:0 shape:(16,64,64) dtype:<dtype:'float32'> numpy=...
先谢谢大家了。
回答我自己的问题，前 64 个对应于我们面临的数据的深度。例如，如果您想为具有 10 个特征的数据设置 5 个 32 元素长度的过滤器（换句话说，conv 层的输入深度为 10），您的变量形状将是：(32,10,5)
我将 Keras 与 TensorFlow 2 一起使用，我有一个训练有素的模型，其权重对应于模型的每一层，但一些 conv1d 层的形状让我感到困惑。 我将卷积层设置为具有 64 个长度为 16 的滤波器，但我的权重向量的形状在最后类似于 (16,64,64)。 谁可以给我解释一下这个？我假设 16 是每个过滤器的长度，最后的 64 是我的 num_filters，另一个是什么，我的意思是它是 3 维的吗？它应该是 (16,64) 之类的。 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：
name:conv1d/kernel:0 shape:(16,64,64) dtype:<dtype:'float32'> numpy=...
先谢谢大家了。
回答我自己的问题，前 64 个对应于我们面临的数据的深度。例如，如果您想为具有 10 个特征的数据设置 5 个 32 元素长度的过滤器（换句话说，conv 层的输入深度为 10），您的变量形状将是：(32,10,5)