python - CNN 的输入形状不兼容

Question

我想训练一个模型来根据物理信号预测一个人的情绪。我有三个物理信号并将其用作输入功能；

ecg(Electrocardiography), gsr(galvanic skin response), temp(temparature)

在我的数据集中，每个参与者有 312 条记录，每条记录中有 18000 行数据。因此，当我将它们合并到一个数据框中时，总共有 5616000 行。

这是我的x_train数据框；

           ecg     gsr   temp
0        0.1912  0.0000  40.10
1        0.3597  0.0000  40.26
2        0.3597  0.0000  40.20
3        0.3597  0.0000  40.20
4        0.3597  0.0000  40.33
5        0.3597  0.0000  40.03
6        0.2739  0.0039  40.13
7        0.1641  0.0031  40.20
8        0.0776  0.0025  40.20
9        0.0005  0.0020  40.26
10      -0.0375  0.0016  40.03
11      -0.0676  0.0013  40.16
12      -0.1071  0.0010  40.20
13      -0.1197  0.0047  40.20
..      .......  ......  .....
..      .......  ......  .....
..      .......  ......  .....
5616000 0.0226  0.1803  38.43

我有 6 个与情绪相对应的类。我已经用数字对这些标签进行了编码；

anger = 0, calmness = 1, disgust = 2, fear = 3, happiness = 4, sadness = 5

这是我的 y_train；

         emotion
0              0
1              0
2              0
3              0
4              0
.              .
.              .
.              .
18001          1
18002          1
18003          1
.              .
.              .
.              .
360001         2
360002         2
360003         2
.              .
.              .
.              .
.              .
5616000        5

为了提供我的 CNN 模型，我需要 reshape 我的训练示例。我就是这样做的；

train_x = train_x.values.reshape(5616000,3,1) #because I have 5616000 rows and 3 input features
train_y = train_y.values.reshape(5616000,1)

reshape 后，我创建了我的 CNN 模型；

model = Sequential()
model.add(Conv1D(100,700,activation='relu',input_shape=(5616000,3)))
model.add(Conv1D(100,700,activation='relu'))
model.add(MaxPooling1D(4))
model.add(Conv1D(160,700,activation='relu'))
model.add(Conv1D(160,700,activation='relu'))
model.add(GlobalAveragePooling1D())
model.add(Dropout(0.5))
model.add(Dense(1,activation='softmax'))

model.compile(optimizer = sgd, loss = 'binary_crossentropy', metrics = ['acc'])
model.fit(train_x,train_y,epochs = 300, batch_size = 32, validation_split=0.33, shuffle=False)

这给了我以下错误；

ValueError: Error when checking input: expected conv1d_96_input to have shape (5616000, 3) but got array with shape (3, 1)

无论我尝试过什么，都无法使其发挥作用。感谢任何帮助，谢谢。

Answer 1

问题出在 model.add(Conv1D(100,700,activation='relu',input_shape=(5616000,3)))。因为这里 input_shape 将为 (3,1)，所以您有 3 个输入特征。像这样使用，

model.add(Conv1D(100,700,activation='relu',input_shape=(3,1)))

您有 5616000 个样本，可用于对您选择的 batch_size = 32 进行 model.fit 操作。因此，在每次迭代中，它将从 5616000 个样本中取出 32 个样本进行训练。

更新1

对于您的用例，您可以使用 Dense，而不是使用 Conv1D，因为您只有 3 个功能。我建议这样做，

train_x = train_x.values.reshape(5616000,3) 

对于您的 train_y，您需要预测 6 个类别，因此您需要执行 one hot encoding 。所以，对于你来说train_y将会是，

train_y = keras.utils.to_categorical(train_y.values.reshape(5616000,1), num_classes=6)

然后你的模型会是这样的，

model = Sequential()
model.add(InputLayer(input_shape=(3,)))
model.add(Dense(8,activation='relu'))
model.add(Dense(10,activation='relu'))
model.add(Dense(8,activation='relu'))
model.add(Dense(6,activation='softmax'))

您的用例是多类分类，请查找here多类分类和二元分类之间的区别。现在模型编译将是，

model.compile(optimizer = sgd, loss = 'categorical_crossentropy', metrics = ['acc'])

并且合身度是相同的，

model.fit(train_x,train_y,epochs = 300, batch_size = 32, validation_split=0.33, shuffle=False)

更新2

如果您认为密集层不够，您也可以尝试这个。因为您必须在密集层中添加更多神经元或添加更多隐藏层，这样您将获得更多数量的可训练层参数，这可能会有所帮助。您只有三个功能，因此，在 Conv1D 中，内核大小必须根据而不是这样选择，model.add(Conv1D(100,700,activation='relu',input_shape=(3,1)))。我认为它也应该有效。

model=Sequential()
model.add(InputLayer(input_shape=(3,1)))
model.add(Conv1D(100, 2, activation='relu'))
model.add(Conv1D(100, 2, activation='relu'))
model.add(Conv1D(128, 1, activation='relu'))
model.add(Conv1D(128, 1, activation='relu'))
model.add(Dropout(0.5))
model.add(Flatten())
model.add(Dense(6, activation='softmax'))
model.summary()

Layer (type)                 Output Shape              Param #   
=================================================================
conv1d_1 (Conv1D)            (None, 2, 100)            300       
_________________________________________________________________
conv1d_2 (Conv1D)            (None, 1, 100)            20100     
_________________________________________________________________
conv1d_3 (Conv1D)            (None, 1, 128)            12928     
_________________________________________________________________
conv1d_4 (Conv1D)            (None, 1, 128)            16512     
_________________________________________________________________
dropout_1 (Dropout)          (None, 1, 128)            0         
_________________________________________________________________
flatten_1 (Flatten)          (None, 128)               0         
_________________________________________________________________
dense_1 (Dense)              (None, 6)                 774       
=================================================================
Total params: 50,614
Trainable params: 50,614
Non-trainable params: 0
_________________________________________________________________