Keras / Tensorflow Conv1D预期输入形状


Keras/Tensorflow Conv1D expected input shape

我想对29个要素输入数据应用一维卷积(如29x1形状)。 我告诉Keras input_shape=(29,1)，但是我得到一个错误，它期望输入"具有3个维度，但形状为数组(4000，29)"。 为什么Keras期望3维？

Keras文档给出了如何使用input_shape的奇怪示例：

(None, 128) for variable-length sequences with 128 features per step.

我不确定可变长度序列的含义，但是由于我有29个功能，因此我也尝试了(None,29)和(1,29)并得到了类似的错误。

我是否对一维卷积的功能有误解？

在给定7x1输入的情况下，这是我期望Conv1D在内核大小为3的情况下所做的直观描述。

1
2
3
4
5
[x][x][x][ ][ ][ ][ ]
[ ][x][x][x][ ][ ][ ]
[ ][ ][x][x][x][ ][ ]
[ ][ ][ ][x][x][x][ ]
[ ][ ][ ][ ][x][x][x]

为什么Keras期望3维？

The three dimensions are (batch_size, feature_size, channels).


定义一维转换层

1
Conv1D(32, (3), activation='relu' , input_shape=( 29, 1 ))

将(4000、29、1)样品送入该层。

简单的例子：

1
2
3
4
5
6
7
8
9
10
11
12
from keras import models, layers
import numpy as np

x = np.ones((10, 29, 1))
y = np.zeros((10,))
model = models.Sequential()
model.add(layers.Conv1D(32, (3), activation='relu' , input_shape=( 29,1)))
model.add(layers.Flatten())
model.add(layers.Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer="adam", metrics=['accuracy'])
print(model.summary())
model.fit(x,y)

相关讨论