Conv1D和Conv2D的区别【一维卷积实际上和二维卷积是一样的，只不过一维卷积的卷积核的第二个维度必须等于输入数据的第二个维度（embed_dim），所以只需在长度维指定卷积核一维度的size】

原创

已于 2024-06-16 00:32:22 修改 · 883 阅读

6 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #人工智能

于 2024-06-16 00:26:37 首次发布

layer = layers.Conv1D(input_shape=(66, 5),
                                   filters=100,
                                   kernel_size=10,
                                   padding="same",
                                   activation="relu",
                                   strides=1)

上述例子为例，一维卷积实际上和二维卷积是一样的，只不过卷积核的第二个维度必须等于输入数据的第二个维度，所以只需要指定卷积核一个维度的size。

对于二维卷积，输入是(66, 5)，卷积核是(3,3)，那么就是这个卷积核在二维图上游走。

换成一维卷积，kernel_size=10，那么卷积核就是(10, 5)，这个隐藏的 5 来自于input_shape。

卷积核直接就把宽度占满了，所以只能往下走，只有一个维度，所以叫做Conv1D

1.联系

卷积操作原理：无论是 Conv1d 还是 Conv2d，它们的基本原理都是一样的，都是通过卷积核（或滤波器）与输入数据进行卷积运算，以提取特征。
神经网络中的使用：Conv1d 通常用于处理序列数据，如文本数据或音频数据，因为它在一个维度上进行卷积操作。而 Conv2d 通常用于处理图像数据，因为它在两个维度上进行卷积操作。
参数配置：它们都可以配置卷积核的大小、步幅、填充等参数，以控制卷积操作的行为。

2.区别

维度：最明显的区别是维度。Conv1d 是一维卷积，主要用于处理一维序列数据，如文本或音频。而 Conv2d 是二维卷积，主要用于处理二维数据，如图像。
卷积核的形状：在 Conv1d 中，卷积核是一维的，通常表示为 (kernel_size,)。而在 Conv2d 中，卷积核是二维的，通常表示为 (height, width)。
输入数据的维度：Conv1d 的输入数据是一维的，形状通常为 (batch_size, channels, sequence_length)，其中 sequence_length 表示序列的长度。而 Conv2d 的输入数据是二维的，形状通常为 (batch_size, channels, height, width)，其中 height 和 width 表示图像的高度和宽度。
应用领域：由于不同的数据类型和维度要求，它们在不同的应用领域中得到广泛使用。Conv1d 用于文本分类、语音识别等，而 Conv2d 用于图像分类、目标检测等。

总之，Conv1d 和 Conv2d 是卷积神经网络中的两种常见卷积操作，它们在维度、卷积核的形状和应用领域等方面存在区别。选择合适的卷积层取决于输入数据的类型和任务要求。

3.Conv1d卷积

一维卷积在深度学习中有几种常见的变体，包括：

Valid 卷积（有效卷积，Valid Convolution）： 这是一种常见的卷积操作，它不对输入进行填充，因此输出的大小会随着卷积核的大小和步幅的设置而减小。这意味着在有效卷积中，输出序列的长度会小于输入序列的长度。
Same 卷积（相同卷积，Same Convolution）： Same 卷积旨在保持输出的大小与输入的大小相同。为了实现这一点，填充会添加到输入的两侧，以使输出大小保持不变。在一