基于Keras中Conv1D和Conv2D的区别说明

川长思鸟来 2022-12-27 15:26 100阅读 0赞

更多编程教程请到：[菜鸟教程][Link 1] https://www.piaodoo.com/

友情链接：

[高州阳光论坛][Link 2]https://www.hnthzk.com/

[人人影视][Link 3]http://www.sfkyty.com/

如有错误，欢迎斧正。

我的答案是，在Conv2D输入通道为1的情况下，二者是没有区别或者说是可以相互转化的。首先，二者调用的最后的代码都是后端代码（以TensorFlow为例，在tensorflow\_backend.py里面可以找到）：

x = tf.nn.convolution(
     input=x,
     filter=kernel,
     dilation_rate=(dilation_rate,),
     strides=(strides,),
     padding=padding,
     data_format=tf_data_format)

区别在于input和filter传递的参数不同，input不必说，filter=kernel是什么呢？

我们进入Conv1D和Conv2D的源代码看一下。他们的代码位于layers/convolutional.py里面，二者继承的都是基类\_Conv(Layer)。

**进入\_Conv类查看代码可以发觉以下代码：**

self.kernel_size = conv_utils.normalize_tuple(kernel_size, rank, 'kernel_size')
    ……#中间代码省略
    input_dim = input_shape[channel_axis]
    kernel_shape = self.kernel_size + (input_dim, self.filters)

我们假设，Conv1D的input的大小是（600,300），而Conv2D的input大小是（m,n,1），二者kernel\_size为3。

**进入conv\_utils.normalize\_tuple函数可以看到：**

def normalize_tuple(value, n, name):
     """Transforms a single int or iterable of ints into an int tuple.
     # Arguments
     value: The value to validate and convert. Could an int, or any iterable
      of ints.
     n: The size of the tuple to be returned.
     name: The name of the argument being validated, e.g. "strides" or
      "kernel_size". This is only used to format error messages.
     # Returns
     A tuple of n integers.
     # Raises
     ValueError: If something else than an int/long or iterable thereof was
     passed.
     """
     if isinstance(value, int):
     return (value,) * n
     else:
     try:
      value_tuple = tuple(value)
     except TypeError:
      raise ValueError('The `' + name + '` argument must be a tuple of ' +
        str(n) + ' integers. Received: ' + str(value))
     if len(value_tuple) != n:
      raise ValueError('The `' + name + '` argument must be a tuple of ' +
        str(n) + ' integers. Received: ' + str(value))
     for single_value in value_tuple:
      try:
      int(single_value)
      except ValueError:
      raise ValueError('The `' + name + '` argument must be a tuple of ' +
         str(n) + ' integers. Received: ' + str(value) + ' '
         'including element ' + str(single_value) + ' of type' +
         ' ' + str(type(single_value)))
     return value_tuple

所以上述代码得到的kernel\_size是kernel的实际大小，根据rank进行计算，Conv1D的rank为1，Conv2D的rank为2，如果是Conv1D，那么得到的kernel\_size就是（3,）如果是Conv2D，那么得到的是（3,3）

> input\_dim = input\_shape\[channel\_axis\] kernel\_shape = self.kernel\_size + (input\_dim, self.filters)

又因为以上的inputdim是最后一维大小(Conv1D中为300，Conv2D中为1），filter数目我们假设二者都是64个卷积核。

因此，Conv1D的kernel的shape实际为：

**（3,300,64）**

而Conv2D的kernel的shape实际为：

**（3,3,1,64）**

刚才我们假设的是传参的时候kernel\_size=3，如果，我们将传参Conv2D时使用的的kernel\_size设置为自己的元组例如（3,300），那么传根据conv\_utils.normalize\_tuple函数，最后的kernel\_size会返回我们自己设置的元组，也即（3,300）那么Conv2D的实际shape是：

（3,300,1,64），也即这个时候的Conv1D的大小reshape一下得到，二者等价。

换句话说，Conv1D（kernel\_size=3）实际就是Conv2D（kernel\_size=（3,300）），当然必须把输入也reshape成（600,300,1），即可在多行上进行Conv2D卷积。

这也可以解释，为什么在Keras中使用Conv1D可以进行自然语言处理，因为在自然语言处理中，我们假设一个序列是600个单词，每个单词的词向量是300维，那么一个序列输入到网络中就是（600,300），当我使用Conv1D进行卷积的时候，实际上就完成了直接在序列上的卷积，卷积的时候实际是以（3,300）进行卷积，又因为每一行都是一个词向量，因此使用Conv1D（kernel\_size=3）也就相当于使用神经网络进行了n\_gram=3的特征提取了。

这也是为什么使用卷积神经网络处理文本会非常快速有效的内涵。

**补充知识：****Conv1D、Conv2D、Conv3D**

由于计算机视觉的大红大紫，二维卷积的用处范围最广。因此本文首先介绍二维卷积，之后再介绍一维卷积与三维卷积的具体流程，并描述其各自的具体应用。

**1. 二维卷积**

![Image 1][]

图中的输入的数据维度为

上述内容没有引入channel的概念，也可以说channel的数量为1。如果将二维卷积中输入的channel的数量变为3，即输入的数据维度变为（

以上都是在过滤器数量为1的情况下所进行的讨论。如果将过滤器的数量增加至16，即16个大小为

二维卷积常用于计算机视觉、图像处理领域。

**2. 一维卷积**

![Image 1][]

图中的输入的数据维度为8，过滤器的维度为5。与二维卷积类似，卷积后输出的数据维度为