CNN中的1维卷积

1维卷积对于处理时间序列数据有重要意义，具体讲解如下：

给定一个数据集，数据维度为3000行7列; 3000个样本，7个特征，5个类别，利用一维卷积进行分类

首先对数据进行处理，将其转换为3维数据，3000×时间步长×特征数，从而使得数据的格式能被keras接受。这里取时间步长10

model.add(Conv1D(100,2))

添加第一个一维卷积层，100个卷积核，卷积核大小为2，10－2+1=9，输出数据9行100列，width为7

model.add(Conv1D(100,2))

添加第一个一维卷积层，100个卷积核，卷积核大小为2，9－2+1=8，输出数据8行100列，width为7

model.add(Maxpooling1D(3,2))池化核大小为3，步长为2，(8-3＋1)/2=3,输出数据3行100列，width为7

(疑问:假设池化核为2，步长为2，则(8-2+1)/2=3.5，这时维度有待于keras上实验)

注意:若model.add(Maxpooling1D(2))，则池化核大小为2，步长也为2。

model.add(Conv1D(160,2))

添加第一个一维卷积层，160个卷积核，卷积核大小为2，3－2+1=2，输出数据2行160列，width为7

此时卷积核的权重矩阵为100行160列，

2行100列的矩阵与100行160列的矩阵相乘，即可得到2行160列的矩阵