卷积神经网络 Conv1d 输入形状

Question

我正在尝试创建一个 CNN 来对数据进行分类。我的数据是 X[N_data, N_features] 我想创建一个能够对其进行分类的神经网络。我的问题是关于 keras 后端的 Conv1D 的输入形状。

我想重复过滤.. 假设 10 个特征，然后为接下来的 10 个特征保持相同的权重。 对于每个数据，我的卷积层会创建 N_features/10 个新神经元。 我该怎么做？我应该在 input_shape 中放什么？

def cnn_model():
model = Sequential()                                               
model.add(Conv1D(filters=1, kernel_size=10 ,strides=10,     
                  input_shape=(1, 1,N_features),kernel_initializer= 'uniform',      
                  activation= 'relu')) 
model.flatten()
model.add(Dense(N_features/10, init= 'uniform' , activation= 'relu' ))

有什么建议吗？ 谢谢！

Answer 1

要输入Keras的(nrows, ncols)到Conv1d的常用特征表数据，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Conv1d 或Keras。对于input_shape，需要(4,1)。

Answer 2

@Marcin 的回答可能有效，但可能会根据此处的文档提出建议：

当将此层用作模型中的第一层时，请提供 input_shape 参数（整数元组或无，例如 (10, 128) 为 128 维向量的 10 个向量的序列，或 (None, 128) 为 128维向量的变长序列。

应该是：

model = Sequential()
model.add(Conv1D(filters=1, kernel_size=10 ,strides=10,     
                  input_shape=(None, N_features),kernel_initializer= 'uniform',      
                  activation= 'relu')) 

请注意，由于输入数据 (N_Data, N_features)，我们将示例数设置为未指定 (None)。在这种情况下，strides 参数控制时间步长的大小。

Answer 3

试试：

def cnn_model():
    model = Sequential()                                               
    model.add(Conv1D(filters=1, kernel_size=10 ,strides=10,     
              input_shape=(N_features, 1),kernel_initializer= 'uniform',      
              activation= 'relu')) 
model.flatten()
model.add(Dense(N_features/10, init= 'uniform' , activation= 'relu' ))
....

并将您的x 重塑为(nb_of_examples, nb_of_features, 1)。

编辑：

Conv1D 是为序列分析而设计的——无论我们在序列的哪个部分，卷积滤波器都是相同的。第二个维度是所谓的 features 维度，您可以在每个时间步拥有一个包含多个 features 的向量。人们可能会认为 sequence 维度与 spatial 维度相同，而 feature 维度与 channel 维度 或 相同>颜色维度在Conv2D。正如@putonspectacles 在他的评论中提到的那样 - 您可以将 sequence 维度设置为 None 以使您的网络输入长度不变。