根据条件重塑神经网络输入

Question

数值数据，使用深度学习神经网络。我为此目的使用 Keras 库

    p   u   d    ms          action B   x    y-c pre    area       finger 
0   0   36  3   1334893336790   0   1   262 262 262     0.044444    0.0
1   0   36  3   1334893336790   2   1   262 271 0.32    0.044444    0.0
2   0   36  3   1334893336795   2   1   123 327 0.28    0.044444    0.0
3   0   36  3   1334893336800   1   1   123 327 0.28    0.044444    0.0
4   0   36  3   1334893336885   0   1   216 298 0.34    0.044444    0.0
5   0   36  3   1334893336907   2   1   216 298 0.38    0.044444    0.0
6   0   36  3   1334893336926   2   1   147 312 0.60    0.088889    0.0
7   0   36  3   1334893336949   2   1   115 328 0.63    0.044444    0.0
8   0   36  3   1334893336952   2   1   98  336 0.17    0.133333    0.0
9   0   36  3   1334893336971   1   1   98  336 0.17    0.133333    0.0
1   0   36  3   1334893337798   0   1   108 339 0.48    0.044444    0.0

下面的代码可以工作，但是，据我所知，神经网络输入是逐行作为输入的，这里我试图根据 action column 进行输入和输出，如下例所示它以 0 开始并以 1 结束，然后包括第 [0 到 3] 行 3 的神经网络的第一个输入，第二个输入是 [4 到 9] 9 包括在内，依此类推... action列元素代表手部动作，如果值为0表示手的手指按在屏幕上，如果为1则表示手从屏幕上抬起，所以我尝试分成n个笔画，尝试在基于手指压力和提升（行程）的神经网络上进行输入，基于这个想法，输入将从 900k 减少到 20k，但每次输入都是基于多行的

the first input will be as below:
        p   u   d    ms          action B   x    y-c pre    area       finger 
    0   0   36  3   1334893336790   0   1   262 262 262     0.044444    0.0
    1   0   36  3   1334893336790   2   1   262 271 0.32    0.044444    0.0
    2   0   36  3   1334893336795   2   1   123 327 0.28    0.044444    0.0
    3   0   36  3   1334893336800   1   1   123 327 0.28    0.044444    0.0

and the second input will be :
        p   u   d    ms          action B   x    y-c pre    area       finger 
    4   0   36  3   1334893336885   0   1   216 298 0.34    0.044444    0.0
    5   0   36  3   1334893336907   2   1   216 298 0.38    0.044444    0.0
    6   0   36  3   1334893336926   2   1   147 312 0.60    0.088889    0.0
    7   0   36  3   1334893336949   2   1   115 328 0.63    0.044444    0.0
    8   0   36  3   1334893336952   2   1   98  336 0.17    0.133333    0.0
    9   0   36  3   1334893336971   1   1   98  336 0.17    0.133333    0.0

这是我的代码，它在 NN 的正常周期中运行良好，但我试图根据我的想法对其进行更改..

#o = no_of_click
o=0
lenf=len(dataset)
for h in dataset.index[dataset.iloc[:, 4] == 0]:
    if dataset.iloc[h+1,4]==1 :
        dataset.iloc[h+1,4]=-1
        dataset.iloc[h , 4] = -1
        o=o+1
dataset=dataset.drop(dataset[dataset.iloc[:, 4] == -1].index)
lenf=(o*2)
X = dataset.iloc[:, 2:].values #here 3to 11 for x
y = dataset.iloc[:, 1].values #here user id 2 only y

binariz = LabelBinarizer()
s = binariz.fit_transform(X[:, 0])
X = np.delete(X, [0], axis=1)
X = np.hstack([s,X])
y = binariz.fit_transform(y)
# X Features scaling
sc_X = StandardScaler()
X = sc_X.fit_transform(X)

# Splitting Data
X_train, X_test,y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

classifier = Sequential()
# Adding the input layer and the first hidden layer
classifier.add(Dense(units = 50, activation = 'relu', input_dim = X_train.shape[1]))
# Adding the second hidden layer

classifier.add(Dense(units = 50, activation = 'relu'))
# Adding the output layer
classifier.add(Dense(units = y.shape[1], activation = 'softmax'))
# Compiling the ANN
classifier.compile(optimizer = 'adam', loss = 'categorical_crossentropy', metrics = ['accuracy'])
# Fitting the ANN to the Training set
classifier.fit(X_train, y_train, batch_size = 100, epochs = 10)

Answer 1

我不确定我是否正确理解了您的问题；如果我做出不正确的假设，请提前道歉。

在我看来，您是在问是否可以重新调整输入向量的形状，以便在一种情况下它具有 shape=(4,) 而在另一种情况下具有 shape=(6,)。

我不相信你可以，因为当你在输入层之后添加一个密集层时，这个密集层有一个权重矩阵，其形状为 (input_dims, output_dims)。这是在构建图表时选择的。

即使你可以，我想你也不会想要。 NN 的输入向量是一组特征；在您的情况下，这似乎是一组不同的测量值。您不想在一种情况下向网络提供输入张量位置 0 中的 feature0 测量值和另一种情况下的 feature4 测量值。这使得网络更难理解如何处理这些值。

鉴于您有一小部分功能，您是否有任何理由不一直传递所有数据？