我正在尝试加深我对使用Keras / TF使用1D进行文本和时间序列分类的理解。谁能确认或纠正我的理解？
文本嵌入
在使用带有嵌入keras example的1D cnn的示例中，进入1D CNN的输入为（样本，vocab大小，嵌入大小）。在这里，我认为对于给定的样本/观察而言，输入是一个矩阵，其中行是术语/单词，列是描述单词的系列（即嵌入表示）。具体来说，假设有10个单词，并且嵌入的长度为5。因此每个样本为10 x 5。
然后，每个内核为x5。在这里，过滤器长度似乎用词不当，因为它描述了内核的高度。核的长度始终与嵌入的大小相同（每个样本的输入矩阵的列）。
内核向下移动输入矩阵，从而查看多组连续的单词。
这正确吗？
时间序列
在此设置中，每个采样/观察的输入也是一个矩阵，但是列是序列，行是序列的值（单元格1,1是第一个序列的第一个时间值。单元格3,8是第8个系列的第3个时间值等）。举一个具体的例子，假设有10个序列的36个值。每个样本/观测的输入矩阵为36 x 10。
然后，在给定的内核为x 10（其中10固定为序列数）的情况下，内核向下移动矩阵，在此与文本嵌入不同，在文本嵌入中，单词表示被组合，在这里它结合了时间表示。系列。我的意思是，如果内核是2 x 10，并且每天测量系列，它将一次组合所有10个系列的前2天，然后继续...
这正确吗？