在Conv1D中大步使用

Question

这是我第一次尝试在时间序列数据中使用Conv1D。我了解默认情况下conv1d的步幅为1。但是，如果我有1500x9大小的数据，并且使用了32个大小为250的过滤器，步幅为9。

我尝试搜索许多资源，但没有得到很好的解释。如果我使用9作为跨度值，则我的‘model.summary（）’看起来像

model=Sequential()
model.add(Conv1D(32,250,padding='same',input_shape=(1500,9), 
kernel_regularizer=regularizers.l2(0.01)))
c1 = MaxPooling1D(2)
model.add(c1)
model.add(Dropout(0.5))
model.add(BatchNormalization())

如果我使用stride = 1，则model.summary（）看起来像这样

它如何工作？如果有人可以解释我会很高兴。

Answer 1

例如，如果您进行计算，则是因为渐变：

input shape:[batch,1500,9]
filtershape:[32,9,250]
stride:1

如果padding =“ same”，则适用于1500中的每32个过滤器，并以1扫1遍，在这种情况下，优化器将过滤器与1500（int（1500/1））的梯度进行关联 但是，如果将跨步设置为9，则当您使用166（int（1500/9））进程的梯度进行此优化器关联过滤器时，它会在1500中的每32个过滤器上进行9乘9的过滤。

166过程的梯度比1500更容易处理。这样做会破坏输出之间的相关性。它变得更容易操作，但这并不意味着准确性值会更高。

如果您想更好地理解，建议您阅读此文档： https://www.tensorflow.org/api_guides/python/nn#Convolution