1. Capa de convolución
1.1. Capa Convolution1D
unidimensional capa de convolución, para la realización de un barrio de filtrar la señal de entrada en una dimensión. Cuando se utiliza la capa como el primer piso, una necesidad de proporcionar una palabra clave o parámetro input_dim input_shape.
keras.layers.convolutional.Convolution1D (nb_filter, filter_length, init = 'uniforme', la activación = 'lineal', los pesos = Ninguno, border_mode = 'válida', subsample_length = 1, W_regularizer = Ninguno, b_regularizer = Ninguno, activity_regularizer = Ninguno, = Ninguno W_constraint, b_constraint = Ninguno, BIAS = True, input_dim = Ninguno, input_length = None)
nb_filter: el número del kernel de convolución (es decir, dimensiones de salida)
FILTER_LENGTH: convolución kernel espacial o la longitud temporal de
init: método de inicialización, como predefinida cadena de inicialización nombre del método, o para la función de re-inicialización de peso Teano. Este parámetro sólo es relevante si el parámetro no se pasa pesos.
activación: función de activación, la activación de un nombre de función predefinida o elemento por elemento (elemento-wise) de la función Theano. Si no se especifica, la función no utilizará ninguna activo (es decir, usando una función de activación lineal: A (X) = X)
Pesos: pesos para array numpy de lista. La lista debe contener una forma tal como matriz de pesos (input_dim, output_dim) y un vector de polarización de la forma (output_dim,) de.
border_mode: modo de límites, a "válida" o "Same"
subsample_length: salida de entrada factor de submuestreo
W_regularizer: aplicar un término de regularización en el peso de WeightRegularizer objetos
b_regularizer: aplicar un término de regularización al vector de polarización para objetos WeightRegularizer
activity_regularizer: aplicar un término de regularización en la salida del ActivityRegularizer objetos
W_constraints: aplicar un término restricción en el peso de las limitaciones de oponerse
b_constraints: aplicar un término restricción en el desplazamiento para las restricciones objeto
vector booleano, contiene offset: sesgo (es decir, la capa de entrada lineal transformación o transformación afín)
input_dim: número entero, la dimensión de los datos de entrada. Cuando la capa de red como una primera capa, debe especificarse parámetro o parámetros input_shape.
input_length: cuando la longitud fija de la secuencia de entrada, el parámetro de longitud de la secuencia de entrada. Cuando la necesidad de conectar la capa de Flatten después de la capa, y luego se conecta de nuevo la capa densa, es necesario especificar que, de lo contrario toda la conexión de salida no se puede calcular.
Introduzca la forma de la forma (muestras, pasos, input_dim) un tensor 3D
de forma de salida de la forma (muestras, new_steps, nb_filter) un tensor 3D, a causa de vectores razones llena, el valor de pasos cambiarán
# aplican una 1d convolución de longitud Secuencia a con 10 a. 3 de timesteps,
# 64 con Filtros de salida
Modelo = Sequential ()
model.add (Convolution1D (64, 3, border_mode = 'mismo', input_shape = (10, 32)))
# ahora model.output_shape == (Ninguno, 10, 64)
# Añadir un nuevo conv1d en superior
model.add (Convolution1D (32, 3, border_mode = 'misma'))
# ahora model.output_shape == (Ninguno, 10, 32)
2. Pooling capa de
capa de 2,1. MaxPooling1D
de la señal máxima de dominio de tiempo 1D agruparon
keras.layers.convolutional.MaxPooling1D (pool_length = 2, paso = Ninguno, border_mode = 'válida')
pool_length: disminución de la resolución del factor, ya que tendrá 2 a la entrada muestreada a un medio de la longitud de
zancada: número entero o Ninguno, valor de paso
cuando 'válida' o 'mismo' Nota que sólo el 'mismo' modo actual backend TensorFlow: border_mode utilizando el
de forma de entrada de la forma (muestras, etapas, características) de la cantidad de 3D hojas
de forma de salida de la forma (muestras, downsampled_steps, características) de hojas 3D
----------------
Derechos de Autor: Artículo original es bloggers CSDN "señala el estudio Brahma", siguiendo CC 4.0 BY-SA acuerdo de derecho de autor, reproduce, por favor adjuntar el enlace de la fuente original y esta declaración.
fuente original: https: //blog.csdn.net/is_badboy/java/article/details/79746182