Keras 中的多通道 CNN-LSTM

Question

我有一个具有 N 个特征（维度）的多维时间序列数据集。我正在构建一个具有 N 个输入通道（每个特征一个）的 CNN-LSTM 模型。首先，模型应该对每个特征执行一维卷积，然后合并输出并将其馈送到 LSTM 层。但是，我遇到了维度问题（我怀疑这是根本问题），即合并的输出维度不是预期的。

我在每个功能上都尝试过 Flatten()，但它返回 (?, ?)，并且 Reshape() 似乎也没有成功。

# Init the multichannel CNN-LSTM proto.
def mccnn_lstm(steps=window, feats=features, dim=1, f=filters, k=kernel, p=pool):
    channels, convs = [], []

    # Multichannel CNN layer
    for i in range(feats):
        chan = Input(shape=(steps, dim))
        conv = Conv1D(filters=f, kernel_size=k, activation="tanh")(chan)
        maxpool = MaxPooling1D(pool_size=p, strides=1)(conv) # Has shape (?, 8, 64)
        flat = Flatten()(maxpool) # Returns (?, ?), not (?, 8*64) as expected
        channels.append(chan)
        convs.append(flat)

    merged = concatenate(convs)  # Returns (?, ?), would expect a tensor like (?, 8*64, num of channels)

    # LSTM layer
    lstm = TimeDistributed(merged)
    lstm = LSTM(64)(merged) # This line raises the error
    dense = Dense(1, activation="sigmoid")(lstm)

    return Model(inputs=channels, outputs=dense)


model = mccnn_lstm()

错误信息：

ValueError: Input 0 is incompatible with layer lstm_1: expected ndim=3, found ndim=2

我希望多通道层的合并输出具有尺寸（？、8*64、通道数）或类似的尺寸，然后将作为 LSTM 层的输入。

Answer 1

你在使用 Keras 吗？在这种情况下，您没有创建任何 Sequential() 模型。这很可能是错误的原因。请告诉我。

--

编辑：

我认为此模型不需要Flatten()。展平旨在将conv2D() 层的输出馈送到Dense() 层，即将二维对象展平为一维向量。但如果您已经在 1D 中工作（使用 conv1D），则不需要 Flatten()。