如何在 keras 中使用 Conv1D 和双向 LSTM 对每个时间步进行多类分类？答案

【问题标题】：How to use Conv1D and Bidirectional LSTM in keras to do multiclass classification of each timestep?如何在 keras 中使用 Conv1D 和双向 LSTM 对每个时间步进行多类分类？
【发布时间】：2018-05-15 17:18:27
【问题描述】：

我正在尝试在 keras 中使用 Conv1D 和双向 LSTM（很像 this question）进行信号处理，但对每个时间步进行多类分类。

问题在于，即使 Conv1D 和 LSTM 使用的形状有些相同：

Conv1D：（批次、长度、通道）
LSTM：（批次、时间步长、特征）

Conv1D 的输出为 = (length - (kernel_size - 1)/strides)，因此不再匹配 LSTM 形状，即使不使用 MaxPooling1D 和 Dropout。

更具体地说，我的训练集 X 有 n 个样本，具有 1000 个时间步长和一个通道 (n_samples, 1000, 1)，我使用了 LabelEncoder 和 OneHotEncoder，因此 y 有 n 个样本、1000 个时间步长和 5 个热编码类 (n_samples, 1000, 5)。

由于一个类比其他类更普遍（实际上是没有信号），我使用 loss='sparse_categorical_crossentropy'、sample_weight_mode="temporal" 和 sample_weight 为包含有意义类的时间步赋予更高的权重。

model = Sequential()
model.add(Conv1D(128, 3, strides=1, input_shape = (1000, 1), activation = 'relu'))
model.add(Bidirectional(LSTM(128, return_sequences=True)))
model.add(TimeDistributed(Dense(5, activation='softmax')))
model.compile(loss='sparse_categorical_crossentropy', optimizer='adam', metrics=['categorical_accuracy'], sample_weight_mode="temporal")
print(model.summary())

Model

当我尝试拟合模型时，我收到以下错误消息：

检查目标时出错：预期 time_distributed_1 有形状 (None, 998, 1) 但得到了形状为 (100, 1000, 5) 的数组。

有没有办法让这样的神经网络配置工作？

【问题讨论】：

标签： python deep-learning keras convolution recurrent-neural-network

【解决方案1】：

您的卷积正在切割序列的尖端。在卷积层中使用padding='same'。

不过，该消息似乎不适合您的模型。您的模型显然有 5 个输出特征（因为 Dense(5)），但按摩说它需要 1 个。这可能是因为“稀疏”交叉熵而发生的。根据您的数据格式，您可能应该使用“categorical_crossentropy”。

【讨论】：

感谢padding='same' 部分。但是，即使我有Dense(5)，我也不知道为什么会收到该错误消息。现在它说：“预计 time_distributed_1 的形状为 (None, 1000, 1) 但得到的数组的形状为 (100, 1000, 5)”。
不是因为“稀疏”的分类交叉熵吗？如果您的数据包含所有 5 个元素，我认为您不需要稀疏。
太好了，就是这样！改为“categorical_crossentropy”，效果很好！我想知道什么时候会使用“sparse_categorical_crossentropy”...
稀疏张量通过消除零数据来尝试变得更小。对于使用“sparse_categorical_crossentropy”，您可能应该尝试在模型中使用所有可能的稀疏数据，并使您的数据也稀疏。（但我不知道怎么做，没有稀疏模型的经验）
稀疏张量通过消除零数据来尝试变得更小。对于使用“sparse_categorical_crossentropy”，您可能应该尝试在模型中使用所有可能的稀疏数据，并使您的数据也稀疏。（但我不知道怎么做，没有稀疏模型的经验）