python - Keras 中一维 CNN 的激活函数错误

Question

我正在创建一个模型来对输入波形是否包含 I2C 线的 SDA 上升沿进行分类。

我的输入有 20000 个数据点和 100 个训练数据。

我最初找到了有关此处输入的答案 Keras 1D CNN: How to specify dimension correctly?

但是，我在激活函数中遇到错误:

ValueError: Error when checking target: expected activation_1 to have 3 dimensions, but got array with shape (100, 1)

我的模型是:

model.add(Conv1D(filters=n_filter,
             kernel_size=input_filter_length,
             strides=1,
             activation='relu',
             input_shape=(20000,1)))
model.add(BatchNormalization())
model.add(MaxPooling1D(pool_size=4, strides=None))

model.add(Dense(1))
model.add(Activation("sigmoid"))

adam = Adam(lr=learning_rate)

model.compile(optimizer= adam, loss='binary_crossentropy', metrics=['accuracy'])

model.fit(train_data, train_label,
      nb_epoch=10,
      batch_size=batch_size, shuffle=True)

score = np.asarray(model.evaluate(test_new_data, test_label, batch_size=batch_size))*100.0

我无法确定这里的问题。为什么激活函数需要 3D 张量。

Answer 1

问题在于，从keras 2.0开始，应用于序列的Dense层将将该层应用于每个时间步 - 因此给定一个序列将产生一个序列。因此，您的 Dense 实际上生成了一个 1 元素向量序列，这会导致您的问题(因为您的目标不是序列)。

有多种方法可以将序列简化为向量，然后对其应用Dense:

1. 全局池化:

   您可以使用GlobalPooling层，例如GlobalAveragePooling1D或GlobalMaxPooling1D，例如:

   model.add(Conv1D(filters=n_filter,
            kernel_size=input_filter_length,
            strides=1,
            activation='relu',
            input_shape=(20000,1)))
   model.add(BatchNormalization())
   model.add(GlobalMaxPooling1D(pool_size=4, strides=None))
   
   model.add(Dense(1))
   model.add(Activation("sigmoid"))
   

2. 扁平化:

   您可以使用Flatten层将整个序列折叠为单个向量:

   model.add(Conv1D(filters=n_filter,
            kernel_size=input_filter_length,
            strides=1,
            activation='relu',
            input_shape=(20000,1)))
   model.add(BatchNormalization())
   model.add(MaxPooling1D(pool_size=4, strides=None))
   model.add(Flatten())
   
   model.add(Dense(1))
   model.add(Activation("sigmoid"))
   

3. RNN 后处理:

   您还可以在序列顶部添加一个循环层，并使其仅返回最后一个输出:

   model.add(Conv1D(filters=n_filter,
            kernel_size=input_filter_length,
            strides=1,
            activation='relu',
            input_shape=(20000,1)))
   model.add(BatchNormalization())
   model.add(MaxPooling1D(pool_size=4, strides=None))
   model.add(SimpleRNN(10, return_sequences=False))
   
   model.add(Dense(1))
   model.add(Activation("sigmoid"))