在keras中使用2d核实现1d卷积

Question

我目前正在一个CNN网络上工作，我想在图像上应用2d内核，但它只需执行1d卷积，这意味着它只需沿着一个轴（在本例中是x轴）移动。在

核的形状与图像的y轴相同。目前不需要考虑过滤器的数量。在

例如： 给定一个大小为（6,3,3）=（行、列、颜色通道）的图像

对于2d滤波器，我应该如何执行1d卷积？在

尝试了@Marcin Możejko的建议

dim_x = 3
dim_y = 6
color_channels = 3
#model.add(ZeroPadding2D((6,4),input_shape=(6,3,3)))
model.add(Conv2D(filters = 32,kernel_size=(dim_y,1) , activation='linear' , input_shape = (6,3,3)))
print model.output_shape
model.add(Reshape((dim_x,color_channels)))

错误：

^{pr2}$

Answer 1

假设您的图像shape=(dim_x, dim_y, img_channels)，您可以通过设置1D来获得1D卷积：

conv1d_on_image = Convolution2D(output_channels, 1, dim_y, border_mode='valid')(input)

请记住，此层的输出将具有形状(dim_x, 1, output_channels)。如果您希望输入是连续的，可以通过设置使用Reshape层：

^{pr2}$

这将产生形状为(dim_x, output_channels)的输出。在

一个有趣的事实是，这正是Conv1D与tf后端在Keras中的工作方式。在