一维卷积与多维卷积理解

来源：7-5 基于CNN的文本分类模型(TextCNN)

慕数据4013138

2019-07-10

老师您好，
如果用一维卷积去操作，ngram的列向量即可以看成是通道数，对于文本分类，当然卷积核也会由一列变为embedding列，对于不同通道数卷积的结果，会进行相加，从而可以认为embedding长度就是通道数？
你有回答一个同学的提问，“实际并不是二维卷积，而是一维多通道卷积。”，想请教下老师，这个一维卷积还是二维卷积的判定是不是与卷积核的大小无关？我看到一维卷积多通道时，对于ngram模型，我们卷积核都是n行embedding列？
与前面cnn图像卷积提到的二维卷积，对于多通道（如3通道rgb ）,我们进行二维卷积的时候，卷积核的大小是不是xy 通道数？是个三维向量？

写回答

1回答

正十七

2019-07-10

已采纳

embedding长度就是通道数，你的理解是对的。
一维卷积和二维卷积都有卷积核大小这个参数，我们不用判定使用什么卷积，因为一维卷积和二维卷积的API是不一样的，你使用哪个API就是哪种卷积。卷积核是n行embedding列，n是卷积核大小，embedding大小是卷积核的通道数。
对二维卷积核是四维矩阵，一维卷积核则是三维矩阵。