如何理解 Keras 1D 卷积输入形状和滤波器答案

【问题标题】：How to understand Keras 1D Convolution input shape and filter如何理解 Keras 1D 卷积输入形状和滤波器
【发布时间】：2018-02-19 05:55:08
【问题描述】：

我在 Keras Conv1D 中花了一些时间了解input_shape = (batch_size, steps, input_dim)，但到目前为止我无法取得任何进展。

更具体地说，我有 2 个数据集。

Dataset-1：一年中每天 24 小时的太阳能生产，所以我的数据集大小为 (364,24)，天数为行，消耗量为列。

2 天的示例：

day-1: [0   0   0   0   0   0   0   1.611   5.791   8.229   9.907   9.649   8.401   6.266   4.728   2.231   0.306   0.013   0   0   0   0   0   0] 
day-2: [0   0   0   0   0   0   0   1.732   5.839   9.909   12.593  14.242  12.744  9.596   5.808   2.019   0.241   0   0   0   0   0   0   0]`

我想用 CNN 做的是使用 6 天的数据来预测第 7 天。出于这个原因，我这样划分我的数据集：

xtrain = dataset[0:6,0:24] # takes 24 hour of 6 days
ytrain = dataset[6,0:24] # takes 24 hour of 7th day
xtest = dataset[1:7,0:24] # takes 24 hours for 6 days (day2 to day7) to predict day 8

为了兼容 Keras 的输入形状，我对训练数据进行了如下重构：

xtrain = xtrain.reshape(6,1,24)

样本数：6，时间维度：1，输入维度：24

这是正确的想法吗？

model.add(Conv1D(**filters?**,kernel_size=4,activation='relu', **input_shape=?**))

在我的第二个数据集中：

Training Data: Xtrain: Day-1 Hour-1 to Hour-24, Day-2 Hour-1 to Hour-24 ... Day-6 Hour-1 to Hour-24
Ytrain: Day-7 Hour-1 to Hour-24

我创建了一个新数据集，它在行中需要一天 24 小时，在列中需要 7 天，所以它是一个 (8616,7) 矩阵。

hour-1 day-1, day-2 ... day-7
hour-2 day-1, day-2 ... day-7
...
hour-24 day-1, day-2 ... day-7
...
hour-1 day-2, day-3 ... day-8
hour-2 day-2, day-3 ... day-8
...
hour-24 day-2, day-3 ... day-8
...
hour-1 day-359, day-360 ... day-365
hour-2 day-359, day-360 ... day-365
...
hour-24 day-359, day-360 ... day-365

Keras 代码：

xtrain = dataset[0:24,0:6] # takes 24 hour for 6 days
ytrain = dataset[24:48,6] # takes 24 hour of 7th day
xtest = dataset[24:48,0:6] # takes 24 hours for 6 days (day2 to day7) to predict day 7

xtrain = xtrain[newaxis,:, :]
ytrain = ytrain.reshape(1,24)

我真的不明白 filter 和 input_shape 应该是什么。

【问题讨论】：

标签： neural-network time-series conv-neural-network forecasting

【解决方案1】：

你应该用这样的结构重新格式化你的数据集：

[365,6,24]

第一个维度设置日期。

第二个维度设置时间步长（6 天的进度），因此您应该将原始数据集的每一天取为 6:365，然后将过去 6 天复制为 24h。

第三个维度是每小时

假设您已订购了 [1:365,1:24] 的原始数据集：

xtrain=np.array(np.tile(xtrain,[6 1]))

xtrain=np.reshape(xtrain,(365,6,24))

现在你有了 conv1d 所需的 3D 格式（批处理、时间步长、通道）

【讨论】：