tf.keras.layers.Conv1D

tf.keras.layers.Conv1D(
    filters, kernel_size, strides=1, padding='valid', data_format='channels_last',
    dilation_rate=1, groups=1, activation=None, use_bias=True,
    kernel_initializer='glorot_uniform', bias_initializer='zeros',
    kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None,
    kernel_constraint=None, bias_constraint=None, **kwargs
)

从这个函数原型可以知道各个参数的默认值。

When using this layer as the first layer in a model, provide an input_shape argument (tuple of integers or None, e.g. (10, 128) for sequences of 10 vectors of 128-dimensional vectors, or (None, 128) for variable-length sequences of 128-dimensional vectors.
如果Conv1D是第一层，需要输入input_shape，可以是（10,128），即10个128维的向量，也可以是 (None, 128) ，表示可变个数个128维向量。

# 10个时间步长，每个时间由128维向量表示，batch_size是4
input_shape = (4, 10, 128)
x = tf.random.normal(input_shape)
y = tf.keras.layers.Conv1D(
32, 3, activation='relu',input_shape=input_shape[1:])(x)
print(y.shape)

输出： （4, 8，32）

# [4, 7]是扩展的batch_size，不管batch_size是不是两维，输入4维的时候，前两维都被认为是batch_size，10是时间，128维向量
input_shape = (4, 7, 10, 128)
x = tf.random.normal(input_shape)
y = tf.keras.layers.Conv1D(
32, 3, activation='relu', input_shape=input_shape[2:])(x)
print(y.shape)

输出：（4, 7，8， 32）

Input shape:
3+D tensor with shape: batch_shape + (steps, input_dim)
Output shape:
3+D tensor with shape: batch_shape + (new_steps, filters) steps value might have changed due to padding or strides.

kernel_initializer和bias_initializer都是需要初始化方式的，所以默认就有，如果不初始化，那filter就没有值，不能计算。
kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None,层的参数，偏置和激活函数都可以添加惩罚项。

keras.regularizers.l1(0.)
keras.regularizers.l2(0.)
keras.regularizers.l1_l2(l1=0.01, l2=0.01)

参数就是下图中的λ。

任何输入一个权重矩阵、返回一个损失贡献张量的函数，都可以用作正则化器。例如自定义：

from keras import backend as K

def l1_reg(weight_matrix):
    return 0.01 * K.sum(K.abs(weight_matrix))

model.add(Dense(64, input_dim=64,
                kernel_regularizer=l1_reg))

tf.keras.layers.Conv1DTranspose

函数原型：

tf.keras.layers.Conv1DTranspose(
    filters, kernel_size, strides=1, padding='valid', output_padding=None,
    data_format=None, dilation_rate=1, activation=None, use_bias=True,
    kernel_initializer='glorot_uniform', bias_initializer='zeros',
    kernel_regularizer=None, bias_regularizer=None, activity_regularizer=None,
    kernel_constraint=None, bias_constraint=None, **kwargs
)

Input shape:
3D tensor with shape: (batch_size, steps, channels)

Output shape:
3D tensor with shape: (batch_size, new_steps, filters) If output_padding is specified:

new_timesteps = ((timesteps - 1) * strides + kernel_size - 2 * padding + output_padding)