我正在尝试在Keras中重现以下教程中的CNN，该CNN具有3个输入和Sigmoid激活函数：

所以参数数量应该是7（假设有一个大小为2的滤波器，在2个位置上卷积（要么是上两个输入，要么是下两个输入），有2个共享权重（在突触上显示为1.0），并且在conv1d层中没有填充）。当我在Keras中编写以下代码时：

当我在model.summary()中检查时，我只得到了5个参数：

我需要做些什么才能得到正确数量的参数？由于我刚开始使用Keras，我的代码中可能有几个错误的地方。

回答：

所有卷积参数在空间上是共享的（在1D情况下，这意味着在输入序列上共享）。具体来说，长度为2的卷积滤波器会应用两次到输入(x[0], x[1])和(x[1], x[2])，但这两种情况使用的是同一个滤波器，对应的可训练参数也是相同的。

这解释了你现在得到的模型大小：Conv1D有3个参数（权重(2)和偏置(1)），密集层有2个参数，因为Conv1D的输出是(?, 2, 1)。

最后，我无法评论你试图实现的网络。可能他们指的是2个滤波器（但那样的话，层将会有6个参数）…但我不知道有任何实现中卷积层对每个补丁有单独参数的情况。