一维卷积神经网络架构：生成器和判别器详解

关于架构，G 由 22 个一维步幅卷积层组成，滤波器宽度为 31，步幅为 N = 2。每层的滤波器数量增加，以使深度随着宽度（时间上的信号持续时间）变窄而变大。每层的结果维度，即样本 × 特征图，为 16384 × 1，8192 × 16，4096 × 32，2048 × 32，1024 × 64，512 × 64，256 × 128，128 × 128，64 × 256，32 × 256，16 × 512 和 8 × 1024。这里，我们从先前的 8 × 1024 维正态分布 N(0, I) 中采样噪声样本 z。如上所述，G 的解码器阶段是编码器的镜像，具有相同的滤波器宽度和每层相同数量的滤波器。然而，跳过连接和潜在向量的添加使每层中的特征图数量加倍。

网络 D 遵循与 G 的编码器阶段相同的一维卷积结构，并适应卷积分类网络的常规拓扑结构。不同之处在于 (1) 它获得 16384 个样本的两个输入通道，(2) 它在 LeakyReLU 非线性之前使用虚拟批量归一化，具有 α = 0.3，(3) 在最后一个激活层中，有一个宽度为一的一维卷积层，它不对隐藏激活进行下采样 (1 × 1 卷积)。后者 (3) 减少了最终分类神经元所需的参数量，该神经元完全连接到所有隐藏激活，具有线性行为。这意味着我们将该全连接组件所需的参数量从 8 × 1024 = 8192 减少到 8。