Keras中Conv1D与Conv2D层的权重和偏置形状如何计算

默认假设卷积层use_bias参数为默认值True（开启偏置），输入特征的通道数记为in_channels：

1. Conv1D层（对应代码x1 = Conv1D(256, 3, padding='same', activation="relu")(x1)） #

• 权重形状：(卷积核长度, 输入通道数, 输出通道数) = (3, in_channels, 256)
  一维卷积的卷积核长度指定为3，每个输出通道对应一个独立的卷积核，每个卷积核会覆盖全部输入通道的信息。
• 偏置形状：(输出通道数,) = (256,)
  每个输出通道对应一个独立的偏置值，和输出通道数一一对应。

举个实际例子：如果输入x1的形状为(None, 100, 64)（样本数不固定、序列长度100、输入通道数64），那么该层权重形状为(3, 64, 256)，偏置形状为(256,)。

2. Conv2D层（对应代码x2 = Conv2D(32, (3, 3), padding="same", activation="relu")(x2)） #

• 权重形状：(卷积核高度, 卷积核宽度, 输入通道数, 输出通道数) = (3, 3, in_channels, 32)
  二维卷积的卷积核尺寸指定为3×3，32个输出通道对应32个独立的3×3卷积核，每个卷积核同样覆盖全部输入通道的信息。
• 偏置形状：(输出通道数,) = (32,)
  逻辑和一维卷积一致，每个输出通道对应一个偏置值。

举个实际例子：如果输入x2的形状为(None, 256, 256, 3)（样本数不固定、图片尺寸256×256、3通道RGB输入），那么该层权重形状为(3, 3, 3, 32)，偏置形状为(32,)。

补充说明：padding参数仅影响输出特征图的尺寸，不会改变权重和偏置的形状，所以本题中padding='same'不参与权重偏置的计算逻辑。

内容的提问来源于stack exchange，提问作者Vishak Raj