Beginer入门：1D,2D,3D卷积的区别原来是这样

Beginer入门：1D,2D,3D卷积的区别原来是这样

---

摘要

在1D CNN中，内核沿1个方向移动。1D CNN的输入和输出数据是2维的。主要用于时间序列数据。
在2D CNN中，内核在2个方向上移动。2D CNN的输入和输出数据是3维的。主要用于图像数据。
在3D CNN中，内核在3个方向上移动。3D CNN的输入和输出数据是4维的。通常用于3D 图像数据（MRI，CT扫描）。

当我们说卷积神经网络（CNN）时，通常是指用于图像分类的二维CNN。但是，现实世界中还使用了其他两种类型的卷积神经网络，即一维CNN和3维CNN。在本文中，我们将介绍1D和3D CNN及其在现实世界中的应用。

二维CNN | Conv2D

这是在Lenet-5架构中首次引入的标准卷积神经网络。Conv2D通常用于图像数据。之所以称其为2维CNN，是因为内核在数据上沿2维滑动，如下图所示。

使用CNN的整体优势在于，它可以使用其内核从数据中提取空间特征，而其他网络则无法做到。例如，CNN可以检测图像中的边缘，颜色分布等，从而使这些网络在图像分类和包含空间特性的其他类似数据中非常强大。
以下是在keras中添加Conv2D图层的代码。

import keras

from keras