机器学习笔记 - 使用TensorFlow2和Keras的简单Conv3D示例

一、Conv1D、Conv2D、Conv3D

1、卷积的作用

        在神经网络和深度学习方面：

        卷积是具有可学习参数的过滤器（矩阵/向量），用于从输入数据中提取低维特征。

        它们具有保留输入数据点之间的空间或位置关系的特性。

        卷积神经网络通过在相邻层的神经元之间实施局部连接模式来利用空间局部相关性。

        直观地说，卷积是将滑动窗口（具有可学习权重的滤波器）概念应用于输入并产生加权和（权重和输入）作为输出的步骤。 加权和是用作下一层输入的特征空间。

        例如，在人脸识别问题中，前几个卷积层学习输入图像中关键点的存在，接下来的卷积层学习边缘和形状，最后的卷积层学习人脸。 在这个例子中，输入空间首先被缩减到低维空间（表示关于点/像素的信息），然后这个空间被缩减到另一个包含（边缘/形状）的空间，最后被缩减到对图像中的人脸进行分类。 卷积可以应用于 N 维。

2、Conv1D

        一维卷积，通常用于序列数据集（但也可用于其他用例）。 它们可用于从输入序列中提取局部 1D 子序列并识别卷积窗口内的局部模式