今天在用keras添加捲積層的時候，發現了kernel_size這個引數不知怎麼理解，keras中文文件是這樣描述的：

kernel_size: 一個整數，或者單個整數表示的元組或列表， 指明 1D 卷積視窗的長度。

又經過多方查詢，大體理解如下：

因為是新增一維卷積層Conv1D()，一維卷積一般會處理時序資料，所以，卷積核的寬度為1，而kernel_size就是卷積核的長度了，這樣的意思就是這個卷積核是一個長方形的卷積核。

補充知識：tf.layers.conv1d函式解析（一維卷積）

一維卷積一般用於處理文字，所以輸入一般是一段長文字，就是詞的列表

函式定義如下：

tf.layers.conv1d(
inputs,filters,kernel_size,strides=1,padding='valid',data_format='channels_last',dilation_rate=1,activation=None,use_bias=True,kernel_initializer=None,bias_initializer=tf.zeros_initializer(),kernel_regularizer=None,bias_regularizer=None,activity_regularizer=None,kernel_constraint=None,bias_constraint=None,trainable=True,name=None,reuse=None
)

比較重要的幾個引數是inputs,kernel_size，下面分別說明

inputs : 輸入tensor， 維度(None,a,b) 是一個三維的tensor

None ： 一般是填充樣本的個數，batch_size

a ： 句子中的詞數或者字數

b ：字或者詞的向量維度

filters : 過濾器的個數

kernel_size : 卷積核的大小，卷積核其實應該是一個二維的，這裡只需要指定一維，是因為卷積核的第二維與輸入的詞向量維度是一致的，因為對於句子而言，卷積的移動方向只能是沿著詞的方向，即只能在列維度移動

一個例子：

inputs = tf.placeholder('float',shape=[None,6,8])

out = tf.layers.conv1d(inputs,5,3)

說明： 對於一個樣本而言，句子長度為6個字，字向量的維度為8

filters=5,kernel_size=3， 所以卷積核的維度為3*8

那麼輸入6*8經過3*8的卷積核卷積後得到的是4*1的一個向量(4=6-3+1)

又因為有5個過濾器，所以是得到5個4*1的向量

畫圖如下：

以上這篇關於keras.layers.Conv1D的kernel_size引數使用介紹就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支援我們。