keras.layers.convolutional.Conv1D(filters, kernel_size, strides=1, padding='valid', dilation_rate=1, activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)
1차원 합성곱(즉 시간 합성곱) 계층 입니다.
이 계층은 출력 텐서를 생성하기 위해 합성곱 커널(kernel)을 만들어 입력 계층과 1차원 공간 상에서(혹은 시간적으로) 합성곱을 합니다. use_bias가 참인 경우에는 편향 벡터가 만들어져 출력에 더해지게 됩니다. 끝으로 activation이 None이 아닌 경우, 역시 출력에 적용됩니다.
이 계층을 모델의 첫번 째 계층으로 사용할 때는 input_shape인수(정수 튜플 혹은 None)를 사용하세요. 예를 들어 128차원 벡터가 10개인 시퀀스는 (10, 128), 128차원 벡터에 가변적인 길이를 가지는 시퀀스는 (None, 128)과 같습니다.
인수
dilation_rate 값을 1이 아닌 값으로 지정하는 것과 충돌합니다."valid", "causal", "same" 중 택일합니다(대소문자 구별 없음).
"valid" 는 "no padding"을 의미합니다."same" 은 입력에 대한 padding을 통해 출력이 원래의 입력과 같은 길이를 가지도록 합니다."causal"은 인과적인(dilated) 합성곱을 초래합니다. 즉, 출력 [t]는 입력 t[t+1:]에 의존하지 않습니다. 시간 데이터를 모델링할 때 유용합니다(모델이 시간 순에 충돌하지 않아야 함). WaveNet: A Generative Model for Raw Audio, section 2.1을 참조하세요.dilation_rate 값을 1이 아닌 값으로 지정하는 것은 strides 값을 1이 아닌 값으로 지정하는 것과 충돌합니다.a(x) = x).kernel 가중치 행렬을 위한 초기화기입니다(초기화기를 참조).kernel가중치 행렬에 적용되는 정규화기 함수입니다(정규화기를 참조).kernel가중치 행렬에 적용되는 제한 함수입니다(제한을 참조).입력 형태
다음과 같은 형태의 3차원 텐서입니다: (batch_size, steps, input_dim).
출력 형태
다음과 같은 형태의 3차원 텐서입니다: (batch_size, new_steps, filters). steps값은 padding이나 stride로 인해 바뀌었을 수 있습니다.
keras.layers.convolutional.Conv2D(filters, kernel_size, strides=(1, 1), padding='valid', data_format=None, dilation_rate=(1, 1), activation=None, use_bias=True, kernel_initializer='glorot_uniform', bias_initializer='zeros', kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None, kernel_constraint=None, bias_constraint=None)
2차원 합성곱(즉 이미지 상의 공간 합성곱) 계층 입니다.
이 계층은 출력 텐서를 생성하기 위해 합성곱 커널을 만들어 입력 계층과 합성곱을 합니다. use_bias가 참인 경우에는 편향 벡터가 만들어져 출력에 더해지게 됩니다. 끝으로 activation이 None이 아닌 경우, 역시 출력에 적용됩니다.
이 계층을 모델의 첫번 째 계층으로 사용할 때는 input_shape 키워드 인수(샘플 축을 포함하지 않는 정수 튜플)를 사용하세요. 예를 들어 data_format="channels_last"일 때 128x128 RGB 차원 벡터는 input_shape=(128, 128, 3)과 같습니다.
인수
dilation_rate 값을 1이 아닌 값으로 지정하는 것과 충돌합니다."valid"과 "same" 중 택일합니다(대소문자 구별 없음).channels_last (기본값) 혹은 channels_first 중 택일합니다. 입력의 차원의 순서입니다. channels_last 는 입력 형태가 (batch, height, width, channels)와 부합함을 뜻하고 channels_first 는 입력 형태가 (batch, channels, height, width)와 부합함을 뜻합니다. ~/.keras/keras.json의 Keras 구성 파일의 image_data_format의 기본값입니다. 별도로 설정하지 않았다면, "channels_last" 입니다.dilation_rate 값을 1이 아닌 값으로 지정하는 것은 strides 값을 1이 아닌 값으로 지정하는 것과 충돌합니다.a(x) = x).kernel 가중치 행렬을 위한 초기화기입니다(초기화기를 참조).kernel가중치 행렬에 적용되는 정규화기 함수입니다(정규화기를 참조).kernel가중치 행렬에 적용되는 제한 함수입니다(제한을 참조).입력 형태
data_format='channels_last'인 경우, 다음과 같은 형태의 4차원 텐서입니다: (samples, rows, cols, channels).data_format='channels_first'인 경우, 다음과 같은 형태의 4차원 텐서입니다: (samples, channels, rows, cols).출력 형태
data_format='channels_last'인 경우, 다음과 같은 형태의 4차원 텐서입니다: (samples, new_rows, new_cols, filters).data_format='channels_first'인 경우, 다음과 같은 형태의 4차원 텐서입니다: (samples, filters, new_rows, new_cols).rows와 cols의 값은 padding에 의해 바뀌었을 수 있습니다.keras.layers.convolutional.SeparableConv2D(filters, kernel_size, strides=(1, 1), padding='valid', data_format=None, depth_multiplier=1, activation=None, use_bias=True, depthwise_initializer='glorot_uniform', pointwise_initializer='glorot_uniform', bias_initializer='zeros', depthwise_regularizer=None, pointwise_regularizer=None, bias_regularizer=None, activity_regularizer=None, depthwise_constraint=None, pointwise_constraint=None, bias_constraint=None)
깊이 방향으로 분리 가능한 2차원 합성곱입니다.
분리 가능한 합성곱은 먼저 깊이 방향의 공간 합성곱(각 입력 채널에 개별적으로 작용)을 수행한 다음 결과 출력 채널을 함께 혼합하는 포인트 단위의 합성곱을 수행합니다. depth_multiplier 인수는 깊이 방향 단계에서 입력 채널 당 생성되는 출력 채널 수를 제어합니다.
직관적으로, 분리 가능한 합성곱은 합성곱 커널을 두 개의 작은 커널로 분해하는 방법이나 Inception 블록의 극단적인 경우로 이해할 수 있습니다.
인수
dilation_rate 값을 1이 아닌 값으로 지정하는 것과 충돌합니다."valid"과 "same" 중 택일합니다(대소문자 구별 없음).channels_last (기본값) 혹은 channels_first 중 택일합니다. 입력의 차원의 순서입니다. channels_last 는 입력 형태가 (batch, height, width, channels)와 부합함을 뜻하고 channels_first 는 입력 형태가 (batch, channels, height, width)와 부합함을 뜻합니다. ~/.keras/keras.json의 Keras 구성 파일의 image_data_format의 기본값입니다. 별도로 설정하지 않았다면, "channels_last" 입니다.filterss_in * depth_multiplier와 같습니다.a(x) = x).