keras 中一维卷积网络的输入形状

Question

我对 keras 很陌生，我在理解形状方面有问题。

我想按如下方式创建 1D Conv Keras 模型，我不知道这是否正确：

TIME_PERIODS = 511
num_sensors = 2
num_classes = 4
BATCH_SIZE = 400
EPOCHS = 50
model_m = Sequential()
model_m.add(Conv1D(100, 10, activation='relu', input_shape=(TIME_PERIODS, num_sensors)))
model_m.add(Conv1D(100, 10, activation='relu'))
model_m.add(MaxPooling1D(3))
model_m.add(Conv1D(160, 10, activation='relu'))
model_m.add(Conv1D(160, 10, activation='relu'))
model_m.add(GlobalAveragePooling1D())
model_m.add(Dropout(0.5))
model_m.add(Dense(num_classes, activation='softmax'))

我拥有的输入数据是 888 个不同的熊猫数据帧，其中每个帧的形状为 (511, 3)，其中 511 是信号点的数量，第 0 列是传感器 1 值，第 1 列是传感器 2 值，第 2 列是标记的信号.

现在我应该如何组合我所有的 888 个不同的熊猫数据框，以便我使用 Sklearn train_test_split 从 X 和 Y 获得 x_train 和 y_train。

另外，我认为我为模型定义的输入形状是错误的，我认为我实际上没有 TIME_PERIODS，因为对于 1 个时间点，我有 2 个传感器输入（橙色、蓝色 行）值和 1 个输出标签（green 行）。

我试图解决的问题的背景，例如 输入：基于时间的 2 个传感器值表示用户从凌晨 1 点到凌晨 2 点，输出：时间范围，例如用户在 1:10-1:15 进行活动 1、活动 2、活动 X 的时间范围、1 :15-1:30, 1:30-2:00, 上图显示了训练输入和输出的示例。

这个问题的灵感来自here，但就我而言，我没有任何时间段，我的 1 时间点有 1 个输出标签。

更新 1： 我几乎可以肯定我的 TIME_PERIODS=1 对于预测我将给出 511 个输入并期望得到 511 个输出值。

Answer 1

每个数据帧都是一个独立的序列？

 fileNames = get a list of filenames here, you can maybe os.listdir for that
 allFrames = [pandas.read_csv(filename,... other_things...).values for filename in fileNames]


 allData = np.stack(allFrames, axis=0)
 inputData = allData[:,:num_sensors]
 outputData = allData[:, -1:]

您现在可以按照自己的方式使用训练测试拆分。 您输入的形状是正确的。

---

如果要预测整个序列，则必须删除池。每个卷积都应该使用padding='same'。

也许您应该在某处使用Biridectional(LSTM(units, return_sequences=True)) 层以使您的模型更强大。

---

以一个简单的模型为例。 （请注意，模型对创造力完全开放）

from keras.layers import *

inputs = Input((TIME_PERIODS,num_sensors)) #Should be called "time_steps" to be precise
outputs = Conv1D(any, 3, padding='same', activation = 'tanh')(inputs)
outputs = Bidirectional(LSTM(any, return_sequences=True))(outputs)
outputs = Conv1D(num_classes, activation='softmax', padding='same')(outputs)

model = keras.models.Model(inputs, outputs)

Answer 2

至少可以说，您走的是正确的道路。完整的解决方案是，

df = pd.concat([pd.read_csv(fname, index_col=<int>, header=<int>) for f filenames], ignore_index=True, axis=0)

inputs = df.loc[:,:-1]
labels = df.loc[:,0]

X_train, X_test, y_train, y_test = train_test_split(inputs, labels, test_size=<float>)

要添加更多信息，请注意您的操作方式，

model_m.add(Conv1D(100, 10, activation='relu', input_shape=(TIME_PERIODS, num_sensors)))

而不是

model_m.add(Conv1D(100, 10, activation='relu', padding='SAME', input_shape=(TIME_PERIODS, num_sensors)))

因此，由于您没有为卷积层设置 padding="Same"，这可能会产生不良影响，即随着您对模型的深入研究，输入会变得越来越小。如果这是你需要的，那没关系。否则，设置 `padding="SAME"。

例如，如果没有相同的填充，当你到达GlobalPooling 层时，你会得到一个大约144 的宽度，如果你使用相同的填充，它大约是170。这不是一个主要问题，但很容易导致输入中为更深层次的负大小。