小编Ale*_* B.的帖子

我正在研究具有常规矩阵格式的风力涡轮机数据集：[ row:datetime , column:features]

但我想用卷积来捕捉每个特征的进展，就像在 LSTM 中完成的那样。因此，我生成了一个具有以下维度的新数据集：

[datetime, 15 timesteps,128 features] ：每个原始日期时间行现在有 15 个寄存器（t-0,t-1,...,t-14）用于每个特征。

我的计划是使用大小为 1x5 的内核和 5 的步长分别对每个特征（通道）的时间步长维度进行卷积。从 128 个特征中获取每个 DateTime(batch)、长度为 5 的 3 个过滤器，输出形状为（无，3,128）。

然后我将最大池化应用于前一个第二维 (3) 结果，以获得“最重要的复杂时间步长”，期望输出大小：(None,1,128)

最后我连接了一个用于二元分类的密集层。

目前的网络架构在 keras 中实现如下：

model.add( Conv1D(padding = 'valid',filters = nfeatures,strides = 5,kernel_size = 5, 
                  activation = 'relu',input_shape = (timesteps,nfeatures)) )
model.add( MaxPooling1D() )
model.add(Dropout(0.5))
model.add(Dense(1, activation='sigmoid'))

问题是当我检查第一层 (conv1d) 的权重时，权重具有以下维度：[5,128,128] 和偏差 [128]。

预期的权重格式是：[5,1,128] 为什么是 5x128x128？，我只需要每个功能/通道的 5 个权重（内核大小）。

谢谢！