用numpy完全连接行后如何计算一维卷积

问题描述

我有一个关于在完全连接层之后在多个通道上计算一维卷积的问题。 我已经建立了一个简单的模型Keras，用于检测一维数字信号中的短脉冲。

我的模特是：

     def one_dim_cnn_cust_model(n_kernel_1,n_kernel_2,n_outputs):
        input_shape = [1,25]
        model = Sequential()
        model.add(Reshape((25,1),input_shape=(input_shape)))
    
        model.add(Conv1D(filters=8,kernel_size=n_kernel_1,activation='relu',input_shape=input_shape[1:]))
        model.add(Dense(16,activation='relu'))
        model.add(Conv1D(filters=8,kernel_size=n_kernel_2,padding="same"))
        model.add(Dropout(0.5))
        model.add(AveragePooling1D(pool_size=10))#35
    
        model.add(Flatten())
    
        model.add(Dense(16,activation='relu'))
        model.add(Dropout(0.5))
        model.add(Dense(8,activation='relu'))
        model.add(Dropout(0.5))
        model.add(Dense(n_outputs,activation='sigmoid'))
        print(model.output_shape)
        return (model)

模型摘要https://i.stack.imgur.com/psPrk.png

为了更好地理解该网络，我提取了特征，权重和偏差，并尝试使用Numpy实施此网络并将Numpy模型结果与Keras模型结果进行比较。 在实现第一个一维卷积网络和第二层（即完全连接的层）之后，对于Numpy vs. Keras模型，我得到了相同的结果。 当我尝试实现第三层（即完全连接的层之后的一维卷积层）时，我遇到了Keras和Numpy模型的结果之间的不匹配。

完全连接层的输出尺寸为10x16，第三层的权重矩阵为16x16x8。 我的实现也是：

    #l3_weights dim : (16,16,8)
    #l3_bias dim : (8,)
    #fc_outouts :: (16,8)
    l3_outouts_calc_temp = np.zeros((16,10,8))
    l3_outouts_calc_temp_2 = np.zeros((16,8,10))
    for w_ch in range (0,16):
        for filter in range(0,8):
            value = (fc_outouts[:,:] @ l3_weights[w_ch,:,filter])+ l3_bias[filter]
            value = np.maximum(0,value)  # Relu
            l3_outouts_calc_temp_2[w_ch,filter,:] = value
    for w_ch in range(0,16):
        l3_outouts_calc_temp[w_ch,:] = l3_outouts_calc_temp_2[w_ch,:].T
    l3_outouts = np.sum(l3_outouts_calc_temp,axis=0)

在下面的链接中，您可以找到包含相关数据的.npy文件。 https://drive.google.com/drive/folders/16BLIvR2oVxUZko7g1WJwFPucZfqAyoUD?usp=sharing 如果您能回复说明，我会很高兴

解决方法

暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！

如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。

小编邮箱:dio#foxmail.com (将#修改为@）