conv1D 中的形状尺寸

Question

我尝试构建一个具有一层的 CNN，但我遇到了一些问题。 确实，编译器告诉我

ValueError：检查模型输入时出错：预期的 conv1d_1_input 有 3 个维度，但得到了形状为 (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))

Answer 1

td; lr 你需要重塑你的数据以使Conv1d 具有 空间 维度才能有意义：

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))

基本上重塑了如下所示的数据集：

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

收件人：

[[.8
.1
.3],

[.2,
 .4,
 .6
 ],

[.7,
 .2,
 .1]]
 

说明和例子

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，内核通过每个示例的“步骤”维度传递。

您将看到 NLP 中使用的 Conv1D，其中 steps 是句子中的多个单词（填充到某个固定的最大长度）。单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   \|/

以及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，您会将要素视为空间维度，每个要素的长度为 1。（见下文）

这将是您数据集中的一个示例

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，您的数据集必须重新调整为 (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))

这是一个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)

Answer 2

对于稀疏矩阵，在我的情况下，行：73196，列：101 在将稀疏矩阵通过array_ = sparse_matrix.A 转换为数组后，我使用了 numpy 的 reshape 函数，然后我使用了下面的代码

x_train_all = np.reshape(array_ , (73196, 101,1))

在输入层中我使用了以下代码：

input2 = Input(shape=(101,1), dtype='float32', name='input2')

Answer 3

我有一个稀疏矩阵作为输入，所以如果不转换为通常的数组，我就无法重塑它

解决方案是使用 keras Reshape 层：

from keras.layers.core import Reshape

...
model = Sequential()
model.add(Reshape((X.shape[1], 1), input_shape=(X.shape[1], )))
model.add(Conv1D(2,2,activation='relu'))
...

Answer 4

我在其他帖子中也提到过：

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

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

例如，取 iris 数据集的前 4 个特征：

查看常用格式及其形状：

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)

以下代码改变格式：

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

上述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。需要input_shape (4,1)。

Answer 5

如果无法查看更多细节，您的数据在预处理后的形状不正确。
将 X 重塑为 3 个维度：

np.reshape(X, (1, X.shape[0], X.shape[1]))