张量流中的时滞神经网络及其卷积的意义

Question

我想知道是否有人可以抽出一点时间来帮助我研究延时神经网络？在

据我所知，每一个神经元通过特定的时间步数对部分输入敏感。在我的例子中，我有一个序列中的31个氨基酸的2D数组（如果你愿意的话，时间）。每个条目都是一个稀疏编码的位域，宽度为21，如果是特定的acid，则为true，其他所有条目为false。在

据我所知，我需要使用卷积。我需要一个1D大小的内核。以图像类比，我有一个1D图像，它没有RGB通道，而是有21个通道，从而产生21个特征地图。我的卷积是1倍窗口大小x21。一、 我有21个神经元，每一个都对一个特定的通道敏感（在这个例子中是一个特定的氨基酸的存在）。在

源代码在git上： https://github.com/OniDaito/MRes/blob/master/nn01/nn01.py

我知道LSTMs，密集编码之类的会更好-我只想从已知的地方开始并从那里进步。在

我的问题是，我的假设是，1D卷积将产生一组对顺序和特定通道敏感的共享权重的神经元？在

干杯

本