绿色应用市场
当前位置:首页 > 学习教程 > 正文

Python关于维卷积的理解

发布时间:2024-01-26 07:11:33来源:周小白软件园编辑:本站整理

关于维卷积的理解

功能

一维卷积一般用于处理文本数据,常用语自然语言处理中,输入一般是文本经过embedding的二维数据。

定义

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 )

参数

重要参数介绍:

inputs:输入tensor, 维度(batch_size, seq_length, embedding_dim) 是一个三维的tensor;其中,batch_size指每次输入的文本数量;seq_length指每个文本的词语数或者单字数;embedding_dim指每个词语或者每个字的向量长度;例如每次训练输入2篇文本,每篇文本有100个词,每个词的向量长度为20,那input维度即为(2, 100, 20)。filters:过滤器(卷积核)的数目kernel_size:卷积核的大小,卷积核本身应该是二维的,这里只需要指定一维,因为第二个维度即长度与词向量的长度一致,卷积核只能从上往下走,不能从左往右走,即只能按照文本中词的顺序,也是列的顺序。

举例

代码

# coding: utf-8 import tensorflow as tf   num_filters = 2 kernel_size = 2 batch_size = 1 seq_length = 4 embedding_dim = 5   embedding_inputs = tf.constant(-1.0, shape=[batch_size, seq_length, embedding_dim], dtype=tf.float32)   with tf.name_scope("cnn"): conv = tf.layers.conv1d(embedding_inputs, num_filters, kernel_size, name='conv')   session = tf.Session() session.run(tf.global_variables_initializer())   print (session.run(conv).shape)

输出为(1, 3, 2)

原理

首先,batch_size = 1即为一篇文本,seq_length = 4定义文本中有4个字(假设以字为单位),embedding_dim = 5定义一个字的向量长度为5,这里初始化每个字的向量都为[1, 1, 1, 1, 1]num_filters = 2定义有两个过滤器,kernel_size = 2定义每个卷积核的宽度为2,长度即为字向量长度5。

一个卷积核通过卷积操作之后得到(4-2+1)*1(seq_length - kernel_size + 1)即3*1的向量,一共有两个卷积核,所以卷积出来的数据维度(1, 3, 2)其中1指一篇文本。

图解

后续

经过卷积之后得到2个feature maps,分别经过pooling层之后,两个3*1的向量就变成两个1*1的常数,在把这两个1*1的常数拼接在一起变成2*1向量,之后就可以进行下一步比如全连接或者softmax操作了。

Python编写一维数组的卷积

之前在网上查阅关于数组卷积的代码时,发现有很多C++代码,但并没有多少关于python的代码,故在此将自己所编写的代码分享出来,希望能一起探讨研究。

实现思路如下

1、先将短数组反转

2、第一阶段,此时只有短数据的(前)部分元素与长数据相乘求和

3、第二阶段,此时短数据的所有元素与长数据相乘求和

4、第三阶段,此时短数据的(后)部分数据与长数据相乘求和

具体应用公式网上有很多,计算过程并不复杂,但比较麻烦的是关于循环变量的边界值的设置,稍有不慎就有可能超出索引值。我的办法是先在草稿纸上写两个数组,元素可以少取几个,然后写出具体卷积的过程数据,尤其不同阶段的过渡的位置,细心找出规律,然后就可以编写具体代码了。

代码入下:

import matplotlib.pyplot as plt import numpy as np  #阶跃信号 def up(x): for i in range(len(x)): if x[i] < 0: y[i] = 0 else: y[i] = 1 return y  x= np.arange(-10,10,0.1) y = np.zeros(len(x))  y = up(x)  plt.plot(y) plt.show()    #高斯滤波器 def gauss(x,s):  g=1/(((2*np.pi)**0.5)*s)*np.exp(-x**2/2/(s**2)) return g  sample = np.arange(-10,10,1) g = gauss(sample,10/3)  plt.plot(g) plt.show()  #卷积一 f_1 = np.zeros(len(y)+len(g)-1)  #翻转 g = list(g) g.reverse()  for i in range(len(f_1)): #长数据卷积部分短数据(前半部分) if i < (len(g)-1): for j in range(i+1): f_1[i] = y[j]*g[i-j]+f_1[i] #长数据卷积整个短数据 elif i < (len(y)-1): for j in range(i-len(g)+1,i+1): f_1[i] = y[j]*g[i-j]+f_1[i] #长数据卷积部分短数据(后半部分) else: for j in range(i-len(g)+1,len(y)): f[i] = y[j]*g[i-j]+f[i]           #显示 plt.plot(f_1) plt.show()   #卷积二  #存放卷积后的结果 f_2 = np.zeros(len(y)+len(g)-1)  #翻转 g = list(g) g.reverse()  for i in range(len(f_2)):  #根据卷积的不同阶段设置阈值 t_left = i-len(g)+1 t_right = i+1  #卷积的前半部分j的初始值 if t_left < 0: t_left = 0 #卷积的后半部分j的上限 if t_right > len(y): t_right = len(y)  for j in range(t_left,t_right):  f_2[i] = y[j]*g[i-j] + f_2[i]  #显示 plt.plot(f_2) plt.show() 

两种设置阈值的方式,但思想都是一样的。

总结

以上为个人经验,希望能给大家一个参考,也希望大家多多支持云初冀北。

相关推荐