tensorflow - Keras/Tensorflow Conv1D 预期输入形状

Question

我想对我的 29 个特征输入数据(如 29x1 形状)应用一维卷积。我告诉 Keras input_shape=(29,1)但是我得到一个错误，它期望输入“有 3 个维度，但得到了形状为 (4000, 29) 的数组”。 为什么 Keras 需要 3 个维度？

Keras 文档给出了这个关于如何使用 input_shape 的奇怪例子:

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

我不确定它们所说的可变长度序列是什么意思，但由于我有 29 个特征，我也尝试过 (None,29)和 (1,29)并得到了类似的错误。

我对一维卷积的作用有误解吗？

这是我期望 Conv1D 在内核大小为 3 的情况下的视觉描述，给定 7x1 输入。

[x][x][x][ ][ ][ ][ ]
[ ][x][x][x][ ][ ][ ]
[ ][ ][x][x][x][ ][ ]
[ ][ ][ ][x][x][x][ ]
[ ][ ][ ][ ][x][x][x]

Answer 1

为什么 Keras 需要 3 个维度？

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

定义一维卷积层

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

将 (4000, 29, 1) 个样本馈送到该层。

简单的例子:

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)