我有LSTM NN，在最后一个密集（softmax）神经元之后有1个输出。我看到如果我通过应用numpy卷积来平滑预测的Y，我会得到更好的准确性。
问题是我手动选择卷积内核的值。我想让NN有可能训练卷积核值。所以，我需要在softmax密集之后添加卷积作为最后一层。如果我正确理解Keras Conv1D，它只能沿着特征进行卷积。但我需要针对不同的样本（轴0）进行输出卷积。因此，如果NN产生
Y = [0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7]
...和卷积层的kernel_size是3，它应该卷积矢量Y和另一个训练的卷积矢量C（例如[0.1,0.5,1]）：
>>> np.convolve([0.1, 0.5, 1],[0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7], mode='same')
array([ 0.07, 0.23, 0.39, 0.55, 0.71, 0.87, 0.95])
因此，目标是沿着样本卷积输出，但让NN训练卷积矢量内核来选择最佳的一个。
在Keras可以做到这一点吗？
卷积层将需要像(samples, length, channels)这样的输入形状。
要沿样本进行卷积，只需重新组织张量，使其达到卷积输入要求。
看起来您希望旧样本成为新长度，并且在任何情况下您只有一个通道。我不确定这是否与您打算做的完全相同，但结果是，我们只留下一个新样本。
所以，我们将你的张量从(samples,)重塑到(1, samples, 1)。
考虑到第一个维度的重塑，我们需要一个lambda层：
model.add(Lambda(lambda x: K.reshape(x,(1,-1,1)), output_shape=(None,1)))
model.add(Conv1D(1,3,padding='same'))
#it's very important to reshape back to the same number of original samples, or keras will not accept your model:
model.add(lambda(lambda x: K.reshape(x,(-1,1)),output_shape=(1,)))
最终形状可能需要调整以适合您的训练数据。取决于你的numpy数组是(samples,)还是(samples,1)。