conv1D 中的形状维度

Question

我曾尝试用一层构建 CNN，但我遇到了一些问题。事实上，编译器告诉我

ValueError：检查模型输入时出错：预期 conv1d_1_input 具有 3 个维度，但得到形状为 (569, 30) 的数组

这是代码

import numpy
from keras.models import Sequential
from keras.layers.convolutional import Conv1D

numpy.random.seed(7)

datasetTraining = numpy.loadtxt("CancerAdapter.csv",delimiter=",")
X = datasetTraining[:,1:31]
Y = datasetTraining[:,0]
datasetTesting = numpy.loadtxt("CancereEvaluation.csv",delimiter=",")
X_test = datasetTraining[:,1:31]
Y_test = datasetTraining[:,0]

model = Sequential()
model.add(Conv1D(2,2,activation='relu',input_shape=X.shape))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(X, Y, epochs=150, batch_size=5)
scores = model.evaluate(X_test, Y_test)

print("\n%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))

原文由 protti 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 1

TD; lr 你需要重塑你的数据使其具有 空间 维度 Conv1d 意义：

 X = np.expand_dims(X, axis=2) # reshape (569, 30) to (569, 30, 1)
# now input can be set as
model.add(Conv1D(2,2,activation='relu',input_shape=(30, 1))

本质上重塑一个看起来像这样的数据集：

 features
.8, .1, .3
.2, .4, .6
.7, .2, .1

到：

 [[.8
.1
.3],

[.2,
 .4,
 .6
 ],

[.7,
 .2,
 .1]]

解释和例子

通常卷积在空间维度上起作用。内核在产生张量的维度上“卷积”。在 Conv1D 的情况下，内核传递给每个示例的“步骤”维度。

你会看到 Conv1D 在 NLP 中使用，其中 steps 是句子中的一些单词（填充到某个固定的最大长度）。这些词将被编码为长度为 4 的向量。

这是一个例句：

 jack   .1   .3   -.52   |
is     .05  .8,  -.7    |<--- kernel is `convolving` along this dimension.
a      .5   .31  -.2    |
boy    .5   .8   -.4   \|/

在这种情况下，我们将输入设置为 conv 的方式：

 maxlen = 4
input_dim = 3
model.add(Conv1D(2,2,activation='relu',input_shape=(maxlen, input_dim))

在您的情况下，您会将这些特征视为空间维度，每个特征的长度为 1。（见下文）

这是您数据集中的示例

att1   .04    |
att2   .05    |  < -- kernel convolving along this dimension
att3   .1     |       notice the features have length 1. each
att4   .5    \|/      example have these 4 featues.

我们将 Conv1D 示例设置为：

 maxlen = num_features = 4 # this would be 30 in your case
input_dim = 1 # since this is the length of _each_ feature (as shown above)

model.add(Conv1D(2,2,activation='relu',input_shape=(maxlen, input_dim))

如您所见，必须将数据集重塑为 (569, 30, 1) 使用：

 X = np.expand_dims(X, axis=2) # reshape (569, 30, 1)
# now input can be set as
model.add(Conv1D(2,2,activation='relu',input_shape=(30, 1))

这是您可以运行的完整示例（我将使用 Functional API ）

 from keras.models import Model
from keras.layers import Conv1D, Dense, MaxPool1D, Flatten, Input
import numpy as np

inp =  Input(shape=(5, 1))
conv = Conv1D(filters=2, kernel_size=2)(inp)
pool = MaxPool1D(pool_size=2)(conv)
flat = Flatten()(pool)
dense = Dense(1)(flat)
model = Model(inp, dense)
model.compile(loss='mse', optimizer='adam')

print(model.summary())

# get some data
X = np.expand_dims(np.random.randn(10, 5), axis=2)
y = np.random.randn(10, 1)

# fit model
model.fit(X, y)

原文由 parsethis 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 2

我在其他帖子中也提到了这一点：

要将形状为 (nrows, ncols) 的常用特征表数据输入到Keras的Conv1d中，需要以下2个步骤：

 xtrain.reshape(nrows, ncols, 1)
# For conv1d statement:
input_shape = (ncols, 1)

例如，获取 iris 数据集的前 4 个特征：

要查看通常的格式及其形状：

 iris_array = np.array(irisdf.iloc[:,:4].values)
print(iris_array[:5])
print(iris_array.shape)

输出显示通常的格式及其形状：

 [[5.1 3.5 1.4 0.2]
 [4.9 3.  1.4 0.2]
 [4.7 3.2 1.3 0.2]
 [4.6 3.1 1.5 0.2]
 [5.  3.6 1.4 0.2]]

(150, 4)

下面的代码改变了格式：

 nrows, ncols = iris_array.shape
iris_array = iris_array.reshape(nrows, ncols, 1)
print(iris_array[:5])
print(iris_array.shape)

以上代码数据格式及其形状的输出：

 [[[5.1]
  [3.5]
  [1.4]
  [0.2]]

 [[4.9]
  [3. ]
  [1.4]
  [0.2]]

 [[4.7]
  [3.2]
  [1.3]
  [0.2]]

 [[4.6]
  [3.1]
  [1.5]
  [0.2]]

 [[5. ]
  [3.6]
  [1.4]
  [0.2]]]

(150, 4, 1)

这适用于 Keras 的 Conv1d。对于 input_shape (4,1) 是必需的。

原文由 rnso 发布，翻译遵循 CC BY-SA 4.0 许可协议