我的1层CNN神经元网络的输入数据集有10个通道。如果我将过滤器通道设置为等于16，则将有10 * 16 = 160个过滤器。
我想为每个输入通道使用相同的16个滤波器通道权重。表示仅对我的输入data_set使用16个过滤器。表示10个输入通道共享相同的卷积滤波器权重。
有人知道如何在张量流中做到这一点吗？非常感谢。
答案 0 :(得分：2)
您可以将较低级别的tf.nn.conv1d与filters arg结合使用，这些参数是通过平铺相同的单通道滤波器来构造的。
f0 = tf.get_variable('filters', shape=(kernel_width, 1, filters_out), initializer=...)
f_tiled = tf.tile(f0, (1, filters_in, 1))
output = tf.nn.conv1d(input, f_tiled, ...)
但是，将所有输入通道简单地加在一起形成一个单通道输入，然后使用更高级别的layers，您将获得相同的效果（效率更高，出错率更低）。 API。
conv_input = tf.reduce_sum(input, axis=-1, keepdis=True))
output = tf.layers.conv1d(conv_input, filters=...)
请注意，除非您的所有频道都差不多，否则这可能不是一个好主意。如果要减少自由参数的数量，请考虑多个卷积-一个1x1的卷积可减少过滤器的数量，其他具有宽核和非线性的卷积，然后一个1x1的卷积可返回大量的过滤器。上面实现中的reduce_sum实际上是固定权重为tf.ones的1x1卷积，除非您的数据集很小，否则几乎可以肯定的是，通过学习权重以及一些非线性，可以得到更好的结果。