我正在构建具有Conv1D图层的CNN，并且训练得很好。现在，我正在研究如何在将特征添加到模型末尾的Dense层之前减少特征的数量，因此我一直在缩小Dense层的大小，但是后来发现this article 。本文讨论了使用带有kernel_size =（1,1）的Conv2D过滤器减少功能数量的效果。
我想知道使用kernel_size =（1,1）tf.keras.layers.Conv2D(filters=n,kernel_size=(1,1))的Conv2D层和使用相同大小tf.keras.layers.Dense(units=n)的密集层之间有什么区别？从我的角度来看（我对神经网络比较陌生），kernel_size =（1,1）的过滤器是单个数字，它基本上等效于Dense层中的权重，并且两个层都有偏差，所以它们是等效的，还是我误会了什么？如果我的理解是正确的，那么在我使用的是Conv1D图层而不是Conv2D图层的情况下，这会改变什么吗？ tf.keras.layers.Conv1D(filters=n, kernel_size=1)等同于tf.keras.layers.Dense(units=n)吗？
如果您需要我提供任何信息以澄清问题，请告诉我。我最好奇的是，kernel_size = 1的Conv1D层和kernel_size =（1,1）的Conv2D层的行为是否不同于密集层。
答案 0 :(得分：2)
是的，因为Dense层应用于其输入的最后一个维度（请参见this answer），Dense(units=N)和Conv1D(filters=N, kernel_size=1)（或Dense(units=N)和{ {1}}）在连接和可训练参数的数量上基本上彼此相等。
答案 1 :(得分：0)
在1D CNN中，内核沿1个方向移动。一维CNN的输入和输出数据是二维的。主要用于时间序列数据，自然语言处理任务等。肯定会在Kaggle NLP竞赛和笔记本中看到人们使用它。
在2D CNN中，内核在两个方向上移动。 2D CNN的输入和输出数据是3维的。主要用于图像数据。 肯定会在Kaggle CNN图像处理比赛和笔记本中看到人们使用它
在3D CNN中，内核在3个方向上移动。 3D CNN的输入和输出数据是4维的。通常用于3D图像数据（MRI，CT扫描）。尚未亲自在比赛中看到应用版本