如何将 MaxPooling1D 与 Conv1D 一起使用答案

【问题标题】：How to use MaxPooling1D with Conv1D如何将 MaxPooling1D 与 Conv1D 一起使用
【发布时间】：2021-04-29 21:22:06
【问题描述】：

我是这样使用Conv1D的

X_train_t = X_train.reshape(X_train.shape[0], 1,12)
X_test_t = X_test.reshape(X_test.shape[0], 1,12)

print(X_train_t.shape)
print(X_train_t)

K.clear_session()
model = Sequential()
model.add(Conv1D(12,1, activation='relu', input_shape=(1,12)))

#model.add(MaxPooling1D(pool_size = (6))) 

model.add(LSTM(3))

model.add(Dense(1))

我在 model.add(Conv1D..

下添加了 maxpooling 来提高性能

model.add(MaxPooling1D(pool_size = (6)))

但它显示这样的错误

ValueError: Negative dimension size caused by subtracting 6 from 1 for 'max_pooling1d_1/MaxPool' (op: 'MaxPool') with input shapes: [?,1,1,12].

如果我设置 pool_size = (1) 它会起作用，但它会增加更多的损失值。如果我想将 pool_size 更改为另一个值而不是 1。如何编辑模型？

【问题讨论】：

标签： python keras conv-neural-network

【解决方案1】：

MaxPooling1D 的输入需要一个 3d 张量，其形状为：(batch_size, steps, features)。根据您的代码，X_train_t 和 X_test_t 有 1 个步骤 (*.shape[0], 1, 12)。当 Pooling 将其窗口移动 6 步 (pool_size=(6)) 时，它不能。结果它抛出了这样的异常。

建议：尝试更改输入形状

最小示例：这是Conv1D 的一种可能解决方案：

    model = Sequential()
    model.add(Embedding(input_dim=1000, output_dim=128, input_shape=(12,))
    model.add(Convolution1D(filters=2, kernel_size=100, padding='same', activation=tf.nn.relu))
    model.add(MaxPooling1D(pool_size=6))
    model.add(GlobalAveragePooling1D())
    model.add(Dense(2))

【讨论】：

【解决方案2】：

我添加了一个 Dense layer 和 Reshape Layer 来解决这个问题。

model = Sequential()
model.add(Conv1D(12,1, activation='relu', input_shape=(1,12)))
model.add(Dense(32*3))
model.add(Reshape((3,32)))
model.add(MaxPooling1D(pool_size = (3))) 
model.add(LSTM(32))
model.add(Dense(1))

【讨论】：