卷积层过滤器大小如何影响输入长度以及如何使标签保持相同大小

Question

假设我们在tensorflow.keras中有一维卷积层，输入大小为100（为简单起见，忽略批处理和通道大小），内核大小为51（实际上，可以通过在多层中应用较小的过滤器来实现）我们要使输出的长度与输入的长度相同（padding = same）。我想知道应用该过滤器后将用零填充哪些索引，它是最右边的50个还是最左边的50个或每边25个。另外，如果我每个元素都有一个标签，那么将标签的数量减少到50个以最好地表示输入的最佳方法是什么。

Answer 1

填充是两面的，在应用卷积之前，您可以通过此将卷积的卷积代码轻松地看到这一点。 （预期结果是中心的内核大小）

import numpy as np
from keras.layers import Input, Conv1D
from keras.models import Model

length = 100
filt = 51

ins = Input((length,1))
outs = Conv1D(1, filt, padding='same', kernel_initializer='ones', use_bias=False)(ins)
model = Model(ins, outs)

preds = model.predict(np.ones((1,length,1)))[0, :, 0]
print('result length = ', len(preds))
print(preds)

输出：
result length =  100
[26. 27. 28. 29. 30. 31. 32. 33. 34. 35. 36. 37. 38. 39. 40. 41. 42. 43.
 44. 45. 46. 47. 48. 49. 50. 51. 51. 51. 51. 51. 51. 51. 51. 51. 51. 51.
 51. 51. 51. 51. 51. 51. 51. 51. 51. 51. 51. 51. 51. 51. 51. 51. 51. 51.
 51. 51. 51. 51. 51. 51. 51. 51. 51. 51. 51. 51. 51. 51. 51. 51. 51. 51.
 51. 51. 51. 50. 49. 48. 47. 46. 45. 44. 43. 42. 41. 40. 39. 38. 37. 36.
 35. 34. 33. 32. 31. 30. 29. 28. 27. 26.]

注意它如何逐渐减小到边界。随着过滤器的滑动，这些数字的数量在增加。
对最后一个问题没有明确的答案。这取决于您需要做什么。“最佳代表”是什么意思？您可以使用Dense(50)，可以吗？这取决于您想要什么。您可以将100调整为50x2，并采用新轴的平均值。...确实有很多解决方案，每个解决方案都有其自己的属性。