Могу ли я использовать CNN с размером ядра 1x3, 1x5, et c? - PullRequest
Новая
       110

Могу ли я использовать CNN с размером ядра 1x3, 1x5, et c?

0 голосов
/ 24 апреля 2020

Я не знаком с CNN, и я пытаюсь использовать CNN Autoencoder с моим входом не изображение. Размер моего входа - (Number_movies x movies_feature) , и я хочу использовать его в качестве матрицы, например серого изображения. Моя идея состоит в том, чтобы сжать мои данные до новых данных размером (Number_movies x New_movies_features) , и поскольку каждая строка в матрице является независимой точкой данных (один шаг ie), поэтому я могу использовать CNN с размер кереля (1x3) или (1x5), et c? или есть какая-нибудь модель, способная решить моё решение? Спасибо!

Ниже приведен мой пример Сводка модели автоэнкодера CNN:

Размер входа: (10239 фильмов x 917 функций), размер кодировки: (10239x600), Размер вывода: (10239x917) 

Model: "sequential_3"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d_17 (Conv2D)           (None, 10239, 917, 32)    3808      
_________________________________________________________________
conv2d_18 (Conv2D)           (None, 10239, 800, 32)    120864    
_________________________________________________________________
conv2d_19 (Conv2D)           (None, 10239, 800, 16)    51728     
_________________________________________________________________
conv2d_20 (Conv2D)           (None, 10239, 700, 16)    25872     
_________________________________________________________________
conv2d_21 (Conv2D)           (None, 10239, 700, 8)     12936     
_________________________________________________________________
conv2d_22 (Conv2D)           (None, 10239, 600, 8)     6472      
_________________________________________________________________
conv2d_23 (Conv2D)           (None, 10239, 600, 1)     809       
_________________________________________________________________
conv2d_transpose_15 (Conv2DT (None, 10239, 700, 8)     816       
_________________________________________________________________
conv2d_transpose_16 (Conv2DT (None, 10239, 700, 8)     6472      
_________________________________________________________________
conv2d_transpose_17 (Conv2DT (None, 10239, 800, 16)    12944     
_________________________________________________________________
conv2d_transpose_18 (Conv2DT (None, 10239, 800, 16)    25872     
_________________________________________________________________
conv2d_transpose_19 (Conv2DT (None, 10239, 917, 32)    60448     
_________________________________________________________________
conv2d_transpose_20 (Conv2DT (None, 10239, 917, 32)    120864    
_________________________________________________________________
conv2d_transpose_21 (Conv2DT (None, 10239, 917, 1)     3777      
_________________________________________________________________
conv2d_24 (Conv2D)           (None, 10239, 917, 1)     119       
=================================================================
Total params: 453,801
Trainable params: 453,801
Non-trainable params: 0
...