Beginer入门：1D,2D,3D卷积的区别原来是这样
摘要
在1D CNN中，内核沿1个方向移动。1D CNN的输入和输出数据是2维的。主要用于时间序列数据。
在2D CNN中，内核在2个方向上移动。2D CNN的输入和输出数据是3维的。主要用于图像数据。
在3D CNN中，内核在3个方向上移动。3D CNN的输入和输出数据是4维的。通常用于3D 图像数据（MRI，CT扫描）。
当我们说卷积神经网络（CNN）时，通常是指用于图像分类的二维CNN。但是，现实世界中还使用了其他两种类型的卷积神经网络，即一维CNN和3维CNN。在本文中，我们将介绍1D和3D CNN及其在现实世界中的应用。
二维CNN | Conv2D
这是在Lenet-5架构中首次引入的标准卷积神经网络。Conv2D通常用于图像数据。之所以称其为2维CNN，是因为内核在数据上沿2维滑动，如下图所示。
使用CNN的整体优势在于，它可以使用其内核从数据中提取空间特征，而其他网络则无法做到。例如，CNN可以检测图像中的边缘，颜色分布等，从而使这些网络在图像分类和包含空间特性的其他类似数据中非常强大。
以下是在keras中添加Conv2D图层的代码。
import keras
from keras.layers import Conv2D
model = keras.models.Sequential()
model.add(Conv2D(1, kernel_size=(3,3), input_shape = (128, 128, 3)))
model.summary()
参数input_shape（128、128、3）表示图像的（高度，宽度，深度）。参数kernel_size（3，3）表示内核的（高度，宽度），并且内核深度将与图像的深度相同。
一维CNN | Conv1D
在介绍Conv1D之前，让我给您一个提示。在Conv1D中，内核沿一维滑动。现在，让我们在此处暂停，考虑哪种类型的数据只需要内核在一个维度上滑动并具有空间特性？
答案是时间序列数据。让我们看一下以下来自加速度计的时间序列数据:
该数据是从一个人戴在手臂上的加速度计中收集的。数据表示所有三个轴的加速度。一维CNN可以根据加速度计数据执行活动识别任务，例如人的身姿，行走，跳跃等。此数据有2个维度。第一维是时间步长，其他维是3轴上的加速度值。
下图说明了内核如何在加速度计数据上移动。每行代表某个轴的时间序列加速度。内核只能沿时间轴一维移动。
以下是在keras中添加Conv1D图层的代码。
import keras
from keras.layers import Conv1D
model = keras.models.Sequential()
model.add(Conv1D(1, kernel_size=5, input_shape = (120, 3)))
model.summary()
参数input_shape（120，3）表示120个时间步，每个时间步中有3个数据点。这3个数据点是x，y和z轴的加速度。参数kernel_size为5，表示内核的宽度，内核高度与每个时间步中的数据点数相同。
同样，一维CNN也可用于音频和文本数据，因为我们还可以将声音和文本表示为时间序列数据。请参考下面的图片。
Conv1D广泛应用于传感器数据，加速度计数据就是其中之一。
3维CNN | Conv3D
在Conv3D中，内核按3个维度滑动，如下所示。让我们再考虑一下哪种数据类型需要内核在3维上移动？
Conv3D主要用于3D图像数据。例如磁共振成像（MRI）数据。MRI数据被广泛用于检查大脑，脊髓，内部器官等。计算机断层扫描（CT）扫描也是三维数据，这是通过组合从身体周围的不同角度拍摄的一系列X射线图像的创建的一个例子。我们可以使用Conv3D对该医学数据进行分类或从中提取特征。
以下是在keras中添加Conv3D层的代码。
import keras
from keras.layers import Conv3D
model = keras.models.Sequential()
model.add(Conv3D(1, kernel_size=(3,3,3), input_shape = (128, 128, 128, 3)))
model.summary()
这里参数Input_shape（128，128，128，3）有4个维度。3D图像也是4维数据，其中第四维代表颜色通道的数量。就像平面2D图像具有3维一样，其中第3维代表色彩通道。参数kernel_size（3,3,3）表示内核的（高度，宽度，深度），并且内核的第4维与颜色通道相同。
Charles @ Sunway, 3rd, April, 2020
已经四月份了，穷，没钱
