时间戳

首页 > 解决方案 > 为什么 Conv1D 输出维度问题？

python - 为什么 Conv1D 输出维度问题？

问题描述

我有一个由 2000 个样本组成的大约 2000 个光谱的阵列。（2000X2000 阵列）。

我遇到了一个简单网络的问题：

def create_model_LCNN(vec_size):
        model = models.Sequential()
        model.add(Conv1D(filters=64, kernel_size =10, input_shape=(vec_size, 1)))
 
    model.compile(optimizer='adam',
        loss='categorical_crossentropy',
        metrics=['accuracy'])

    return model

history = model.fit(X_train,
          y_train,
          epochs=30,
          batch_size=64,
          validation_data=(X_val, y_val),
          callbacks=[early_stopping_monitor])

我得到以下错误的回应：

ValueError：层顺序的输入 0 与层不兼容：：预期 min_ndim=3，发现 ndim=2。收到的完整形状：(64, 2924)

我见过多个类似的问题，基本上说改变输入的暗淡。

为什么它需要一个 3-dim 数组？如何考虑参数时间步长？它是否寻求一个序列（我经常看到的另一个术语）？什么顺序？

标签： pythonkerasdeep-learning

解决方案

从Conv1D的文档中：

该层创建了一个卷积核，该核与层输入在单个空间（或时间）维度上进行卷积，以产生输出张量。

这意味着如果您的元素只是标量（不是向量，这是一般情况，也涵盖了标量的情况 - 长度 1），您应该扩展输入数组的最后一个维度：

X_train = np.expand_dims(X_train, 2)

这会产生一个 shape 数组，该数组对图层操作(cca 2000, 2924, 1)有效。Conv1D您的元素（您拥有cca 2000的）将被视为向量（排名 1 的张量），并使用64经过训练的 shape 内核独立进行卷积(10, 1)。

推荐阅读