如何用多通道一维对象训练神经网络？

【问题标题】：How to train neural networks with multi-channel 1D objects?如何用多通道一维对象训练神经网络？
【发布时间】：2017-07-28 22:52:01
【问题描述】：

目的是实现一个具有多个通道（即输入层）的一维对象（例如时间序列）的神经网络架构。这个想法是在组合任何通道的特征图以输出概率预测之前，在任何通道中应用独立的操作。

可能的解决方案是使用Lasagne。 Lasagne 是 Theano 的轻量级包装器。如果需要 Theano 的灵活性但又不想总是从头开始编写神经网络层，通常建议使用它。

Lasagne 是否提供工具来在 python 中为一维对象实现多通道神经网络？是否可以使用lasagne.layers 实现多个输入层，还是应该使用 theano 创建一个自定义层？

【问题讨论】：

【解决方案1】：

2D 卷积

时间序列的多通道实际上只是一个二维数据矩阵，你可以把它想象成一张图片。您可以为此应用标准卷积层。

如果您想“在组合任何通道的特征图之前在任何通道中应用独立操作”，那么这可以通过将第一层中的卷积大小配置为窄（宽度 1）来完成渠道维度，时间维度宽；然后在下面的层中组合通道。

【讨论】：

这很有帮助，谢谢。但是，此过程假定输入层具有相同的大小。你能扩展这种情况的答案吗？
@MLguy 是的，多个通道通常假定它们具有相同的大小 - 如果它们不是太不同，那么您只需强制它们具有相同的大小进行一些预处理 - 填充，用合理的值填充间隙，拉伸值，例如一个频道是每日频道，另一个频道是每周频道，然后您将每周数字复制或插入每日值。但这通常是在 NN 系统之外完成的。