Convolution1D与Convolution2D区别

南七小僧

于 2018-09-08 20:05:45 发布

阅读量2.5k

点赞数

CC 4.0 BY-SA版权

分类专栏：人工智能与深度学习算法研究机器学习 keras Python 神经网络人工智能

我是南七小僧，邮箱：xkk9866@yeah.net ，C9博士，前百度搜索AI平台产品负责人，欢迎交流思想碰撞。

本文链接：https://blog.youkuaiyun.com/qq_25439417/article/details/82532753

人工智能同时被 3 个专栏收录

242 篇文章 ¥19.90 ¥99.00

订阅专栏

人工智能与深度学习算法研究

91 篇文章 ¥19.90 ¥99.00

订阅专栏

机器学习

43 篇文章 ¥19.90 ¥99.00

订阅专栏

本文探讨了Convolution1D和Convolution2D的主要区别。Convolution1D常用于自然语言处理，而Convolution2D则在计算机视觉任务中占主导。尽管它们有各自的标准应用场景，但1D也可应用于CV，2D也可用于NLP，只是形式上有所不同。在1D中，卷积核只有一个参数，而在2D中则有两个。在输入形状上，1D的输入是长度为10，宽度为32的tensor，而2D的输入是3通道，长度和宽度均为256的tensor。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.Convolution1D主要用于nlp，Convolution2D主要用于cv。实际上，Convolution1D也可以用于cv，Convolution2D也可以用于nlp，只是那个时候不是标准的卷积方式，而是经过一定变形的卷积。

2.可以看到Convolution1D的卷积只有3这一个参数，Convolution2D却有两个参数3（即长度为3，宽度为3的卷积）。表面上Convolution1D没有给出卷积的大小，Convolution2D给出了。实际上，在Convolution1D中，只要给出了句子中word的长度，宽度就是word中的dimension，宽度自动把整个tensor的宽度包裹住。

3.Convolution1D的input_shape是长度为10，宽度为32的tensor。Convolution2D的input_shape是3个channel，长度为256，宽度为256的tensor。所在1D中kernel_size:3*32【如下示例，宽度默认32，所以只需要给height即可】

# apply a convolution 1d of length 3 to a sequence with 10 timesteps,
# with 64 output filters
model = Sequential()
model.add(Convolution1D(64, 3, border_mode='same', input_shape=(10, 32)))
# now model.output_shape == (None, 10, 64)

# add a new conv1d on top
model.add

了解本专栏