基于Theano的深度学习(Deep Learning)框架Keras学习随笔-13-卷积层_深度学习filter length指的是什么-优快云博客

本文链接：https://blog.youkuaiyun.com/niuwei22007/article/details/49366745

本文详细介绍了Keras中用于深度学习的卷积层，包括Convolution1D和Convolution2D，以及MaxPooling1D和MaxPooling2D。卷积层在图像识别中起到关键作用，能够增强信号特征并降低噪音。文章阐述了各层的参数、工作原理和使用场景，并提供了官方教程链接。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文来自优快云博客：http://blog.youkuaiyun.com/niuwei22007/article/details/49366745

上一篇介绍了基础核心层，就是用来构建普通网络的基础部件。这一篇主要介绍的是卷积层，主要用于构建卷积神经网络等需要用到卷积操作的神经网络。卷积操作(可以参看博文卷积算子计算方法-卷积操作)的优点就是可以增强原信号特征，增强对原信号位移、形变之后的识别能力，有效降低噪音等。而卷积神经网络是目前来说对图像识别的最好工具，因为它可以有效识别有位移、形变等的图像。下面来看下卷基层都有哪些结构。

一、Convolution1D

keras.layers.convolutional.Convolution1D(nb_filter,filter_length,
        init='uniform', activation='linear', weights=None,
        border_mode='valid', subsample_length=1,
        W_regularizer=None, b_regularizer=None, W_constraint=None,
        b_constraint=None, input_dim=None, input_length=None)

该卷积操作用于过滤一维输入的相邻元素。当把该层作为模型的第一层时，要么给参数input_dim传值（int类型，比如128代表128维的向量），要么给input_shape传值（整数元组，比如(10,128)代表10个128维的向量）。

inputshape: 3维 tensor(nb_samples, steps,input_dim)

outputshape: 3维 tensor(nb_samples, steps,nb_filter) .steps的值可能会随着边缘填充0元素而产生变化。

参数：

nb_filter : 卷积核的数量，也是输出的一个维度。
filter_length : 每个过滤器的长度(因为是一维的，所以只有长度)。
init : 初始化权值的函数名称或Theano function。可以使用Keras内置的（内置初始化权值函数见这里），也可以传递自己编写的Theano function。如果不给weights传递参数时，则该参数必须指明。
activation : 激活函数名称或者Theano function。可以使用Keras内置的（内置激活函数见这里），也可以是传递自己编写的Theano function。如果不明确指定，那么将没有激活函数会被应用。
weights :用于初始化权值的numpy arrays组成的list。这个List至少有1个元素，其shape为（