keras中一维卷积网络的输入维度

Question

真的很难理解 keras 中卷积 1d layer 的输入尺寸：

输入形状

具有形状的 3D 张量：(samples, steps, input_dim)。

输出形状

具有形状的 3D 张量：(samples, new_steps, nb_filter)。由于填充，steps 值可能已更改。

我希望我的网络接收价格的时间序列（按顺序排列为 101）并输出 4 个概率。我当前的非卷积网络做得相当好（训练集为 28000）如下所示：

standardModel = Sequential()
standardModel.add(Dense(input_dim=101, output_dim=100, W_regularizer=l2(0.5), activation='sigmoid'))
standardModel.add(Dense(4, W_regularizer=l2(0.7), activation='softmax'))

为了改善这一点，我想从输入层制作一个特征图，该图具有长度为 10 的局部感受野。（因此有 10 个共享权重和 1 个共享偏差）。然后我想使用最大池化并将其输入到大约 40 个神经元的隐藏层，然后在外层使用 4 个带有 softmax 的神经元输出。

picture (it's quite awful sorry!)

因此，理想情况下，卷积层将采用二维张量：

(minibatch_size, 101)

并输出一个 3d 维度张量

(minibatch_size, 91, no_of_featuremaps)

但是，keras 层似乎需要输入中的一个维度，称为 step。我已经尝试理解这一点，但仍然不太明白。就我而言，步长是否应该为 1，因为向量中的每一步都将时间增加 1？另外，什么是new_step？

此外，如何将池化层的输出（3d 张量）以 2d 张量的形式转换为适合标准隐藏层（即 Dense keras 层）的输入？

更新：在给出非常有用的建议后，我尝试制作一个卷积网络，如下所示：

conv = Sequential()
conv.add(Convolution1D(64, 10, input_shape=(1,101)))
conv.add(Activation('relu'))
conv.add(MaxPooling1D(2))
conv.add(Flatten())
conv.add(Dense(10))
conv.add(Activation('tanh'))
conv.add(Dense(4))
conv.add(Activation('softmax'))

conv.Add(Flatten()) 行抛出范围超出有效边界错误。有趣的是，仅此代码不会抛出此错误：

conv = Sequential()
conv.add(Convolution1D(64, 10, input_shape=(1,101)))
conv.add(Activation('relu'))
conv.add(MaxPooling1D(2))
conv.add(Flatten())

在做

print conv.input_shape
print conv.output_shape

结果

(None, 1, 101
(None, -256)

被退回

更新 2：

改变了

conv.add(Convolution1D(64, 10, input_shape=(1,101)))

到

conv.add(Convolution1D(10, 10, input_shape=(101,1))

它开始工作了。但是，两者之间有什么重要的区别吗？ 将 (None, 101, 1) 输入到一维卷积层或 (None, 1, 101) 我应该注意的？为什么 (None, 1, 101) 不起作用？

Answer 1

之所以看起来像这样，是因为 Keras 的设计者打算将一维卷积框架解释为处理序列的框架。要完全理解差异 - 尝试想象您有一个由多个特征向量组成的序列。那么您的输出将至少是二维的 - 其中第一个维度与时间相关，而其他维度与特征相关。一维卷积框架被设计成在某种程度上加粗了这个时间维度，并试图找到数据中重复出现的模式——而不是执行经典的多维卷积变换。

在您的情况下，您必须简单地将数据重塑为具有形状 (dataset_size, 101, 1) - 因为您只有一个功能。使用numpy.reshape 函数可以轻松完成。要了解新步骤的含义 - 您必须了解您正在随着时间的推移进行卷积 - 因此您会更改数据的时间结构 - 这会导致新的时间连接结构。为了将您的数据转换为适合密集/静态层的格式，请使用keras.layers.flatten 层 - 与经典卷积情况相同。

更新：正如我之前提到的 - 输入的第一个维度与时间有关。所以(1, 101) 和(101, 1) 之间的区别在于，在第一种情况下，您有一个具有 101 个特征的时间步长，而在第二种情况下 - 具有 1 个特征的 101 个时间步长。您在第一次更改后提到的问题源于对此类输入进行大小为 2 的池化。只有一个时间步 - 您不能在大小为 2 的时间窗口上汇集任何值 - 仅仅是因为没有足够的时间步来执行此操作。