基於Keras中Conv1D和Conv2D的區別說明

如有錯誤，歡迎斧正。

我的答案是，在Conv2D輸入通道為1的情況下，二者是沒有區別或者說是可以相互轉化的。首先，二者調用的最後的代碼都是後端代碼（以TensorFlow為例，在tensorflow_backend.py裡面可以找到）：

  x = tf.nn.convolution(   input=x,   filter=kernel,   dilation_rate=(dilation_rate,),   strides=(strides,),   padding=padding,   data_format=tf_data_format)

區別在於input和filter傳遞的參數不同，input不必說，filter=kernel是什麼呢？

我們進入Conv1D和Conv2D的源代碼看一下。他們的代碼位於layers/convolutional.py裡面，二者繼承的都是基類_Conv(Layer)。

進入_Conv類查看代碼可以發覺以下代碼：

  self.kernel_size = conv_utils.normalize_tuple(kernel_size, rank, 'kernel_size')  ……#中間代碼省略  input_dim = input_shape[channel_axis]  kernel_shape = self.kernel_size + (input_dim, self.filters)

我們假設，Conv1D的input的大小是（600,300），而Conv2D的input大小是（m,n,1），二者kernel_size為3。

進入conv_utils.normalize_tuple函數可以看到：

  def normalize_tuple(value, n, name):   """Transforms a single int or iterable of ints into an int tuple.   # Arguments   value: The value to validate and convert. Could an int, or any iterable    of ints.   n: The size of the tuple to be returned.   name: The name of the argument being validated, e.g. "strides" or    "kernel_size". This is only used to format error messages.   # Returns   A tuple of n integers.   # Raises   ValueError: If something else than an int/long or iterable thereof was   passed.   """   if isinstance(value, int):   return (value,) * n   else:   try:    value_tuple = tuple(value)   except TypeError:    raise ValueError('The `' + name + '` argument must be a tuple of ' +      str(n) + ' integers. Received: ' + str(value))   if len(value_tuple) != n:    raise ValueError('The `' + name + '` argument must be a tuple of ' +      str(n) + ' integers. Received: ' + str(value))   for single_value in value_tuple:    try:    int(single_value)    except ValueError:    raise ValueError('The `' + name + '` argument must be a tuple of ' +       str(n) + ' integers. Received: ' + str(value) + ' '       'including element ' + str(single_value) + ' of type' +       ' ' + str(type(single_value)))   return value_tuple

所以上述代碼得到的kernel_size是kernel的實際大小，根據rank進行計算，Conv1D的rank為1，Conv2D的rank為2，如果是Conv1D，那麼得到的kernel_size就是（3,）如果是Conv2D，那麼得到的是（3,3）

input_dim = input_shape[channel_axis] kernel_shape = self.kernel_size + (input_dim, self.filters)

又因為以上的inputdim是最後一維大小(Conv1D中為300，Conv2D中為1），filter數目我們假設二者都是64個卷積核。

因此，Conv1D的kernel的shape實際為：

（3,300,64）

而Conv2D的kernel的shape實際為：

（3,3,1,64）

剛才我們假設的是傳參的時候kernel_size=3，如果，我們將傳參Conv2D時使用的的kernel_size設置為自己的元組例如（3,300），那麼傳根據conv_utils.normalize_tuple函數，最後的kernel_size會返回我們自己設置的元組，也即（3,300）那麼Conv2D的實際shape是：

（3,300,1,64），也即這個時候的Conv1D的大小reshape一下得到，二者等價。

換句話說，Conv1D（kernel_size=3）實際就是Conv2D（kernel_size=（3,300）），當然必須把輸入也reshape成（600,300,1），即可在多行上進行Conv2D卷積。

這也可以解釋，為什麼在Keras中使用Conv1D可以進行自然語言處理，因為在自然語言處理中，我們假設一個序列是600個單詞，每個單詞的詞向量是300維，那麼一個序列輸入到網絡中就是（600,300），當我使用Conv1D進行卷積的時候，實際上就完成了直接在序列上的卷積，卷積的時候實際是以（3,300）進行卷積，又因為每一行都是一個詞向量，因此使用Conv1D（kernel_size=3）也就相當於使用神經網絡進行了n_gram=3的特徵提取了。

這也是為什麼使用卷積神經網絡處理文本會非常快速有效的內涵。

補充知識：Conv1D、Conv2D、Conv3D

由於計算機視覺的大紅大紫，二維卷積的用處範圍最廣。因此本文首先介紹二維卷積，之後再介紹一維卷積與三維卷積的具體流程，並描述其各自的具體應用。

1. 二維卷積

圖中的輸入的數據維度為

上述內容沒有引入channel的概念，也可以說channel的數量為1。如果將二維卷積中輸入的channel的數量變為3，即輸入的數據維度變為（

以上都是在過濾器數量為1的情況下所進行的討論。如果將過濾器的數量增加至16，即16個大小為

二維卷積常用於計算機視覺、圖像處理領域。

2. 一維卷積

圖中的輸入的數據維度為8，過濾器的維度為5。與二維卷積類似，卷積後輸出的數據維度為

如果過濾器數量仍為1，輸入數據的channel數量變為16，即輸入數據維度為

如果過濾器數量為

一維卷積常用於序列模型，自然語言處理領域。

3. 三維卷積

這裡採用代數的方式對三維卷積進行介紹，具體思想與一維卷積、二維卷積相同。

假設輸入數據的大小為

基於上述情況，三維卷積最終的輸出為

三維卷積常用於醫學領域（CT影響），視頻處理領域（檢測動作及人物行為）。