如何將一維訊號應用於卷積神經網路？

1樓：王華

1*2000的序列。一維卷積，(￢︿￢☆)，那卷積核維度就是1*N唄，然後也不用池化層了，說白了卷積的作用就是濾波器了，最終序列變成1*（2000+N-1）維，如果有3個卷積核，那就是3個1*（2000+N-1）,然後max池化變成1*（2000+N-1）維，然後鏈結全網路處理啦。

比如乙個2000序列二分類問題，python keras應該如下實現：

from tensorflow.keras.models import Sequential

from tensorflow.keras.layers import Dense, Dropout, Activation

from tensorflow.keras.layers import Conv1D, Permute, GlobalMaxPooling1D

maxlen = 2000 #你的序列

batch_size =64

filters = 3 #卷積核的數目（即輸出的維度）

kernel_size =8 #卷積核維度N

strides=1 #卷積窗步長

epochs =200

x_train, y_train= #此處x_train為樣本數*2000的矩陣，y_train為二分類的0，1標記，維度為樣本數*1維

nFeatures = np.size(x_train, 2)

model = Sequential()

model.add(Conv1D(filters,

kernel_size=kernel_size,

input_shape=(maxlen, nFeatures),

activation='relu',

strides=strides))

model.add(Permute((2,1))) #轉置一下維度便於maxpooling

model.add(GlobalMaxPooling1D())

#下面是全連線層了

model.add(Dense(50))

model.add(Dropout(0.2))

model.add(Activation('relu'))

model.add(Dense(1))

model.add(Activation('sigmoid'))

model.compile(loss='binary_crossentropy',

optimizer='adam',

metrics=['accuracy'])

print(model.summary())

model.fit(x_train, y_train,

batch_size=batch_size,

epochs=epochs,

validation_split=0.2)

#後續自己寫predict之類的。

2樓：泥巴神

首先不建議這麼做，卷積網路的優點是提取輸入資料的空間關聯，單純的一維向量空間關係並不明顯，不明白此處使用CNN的意義何在。在這種情況下，如果是單純建立權重關聯，可以選擇直接用深度信念網路（DBN），如果序列的元素間時間關聯較強，可以選擇RNN，LSTM等。

如果一定要使用CNN，實現過程和高維並沒有區別，將卷積核改一維，單反向卷積即可。

3樓：lens

如果用tensorflow，有直接的一維卷積的函式。

也可以二維卷積用的卷積核的乙個方向是1。

如果是低階點的庫比如numpy就無所謂了。

4樓：京冀遨遊的龍

卷積神經網路主要是對影象識別有很好的效果，網路一般是前面是卷積層，後端是全連線層，也有全卷積層的網路，卷積層主要是在影象的空間位置進行特徵提取，最後送到全連線層進行回歸。如果非要用卷積網路進行一維訊號處理，可以把一維訊號折成二維的，在最後全連線層再展開成一維的送全連線層。沒有做過類似的，意見僅供參考。

如何將一維訊號應用於卷積神經網路？

如何將卷積神經網路應用在一維時間序列資料上？

如何將2維影象轉換成三維模型？

如何將vector int iterator轉換成int ？

其他用戶還看了：