我目前正在开发一个CNN网络，我希望在图像上应用一个2D卷积核，但只需要执行1D卷积，意味着它只需要沿一个轴（在本例中是x轴）移动。

卷积核的形状与图像的y轴相同。目前不考虑应用的滤波器数量。

举个例子：给定一个大小为(6,3,3)的图像=(行, 列, 颜色通道)

给定一个2D滤波器，我应该如何执行1D卷积？

我尝试了@Marcin Możejko建议的方法

dim_x = 3dim_y = 6color_channels = 3#model.add(ZeroPadding2D((6,4),input_shape=(6,3,3)))model.add(Conv2D(filters = 32,kernel_size=(dim_y,1) , activation='linear' , input_shape = (6,3,3)))print model.output_shapemodel.add(Reshape((dim_x,color_channels)))

错误：

The total size of the new array must be unchanged

回答：

假设你的图像shape=(dim_x, dim_y, img_channels)，你可以通过设置来获得1D卷积：

conv1d_on_image = Convolution2D(output_channels, 1, dim_y, border_mode='valid')(input)

请记住，这一层的输出形状将是(dim_x, 1, output_channels)。如果你希望你的输入是顺序的，你可以通过设置Reshape层来实现：

conv1d_on_image = Reshape((dim_x, output_channels))(conv1d_on_image)

这将产生形状为(dim_x, output_channels)的输出。

有趣的是，这正是Keras中使用tf后端的Conv1D的工作方式。