input - 卷积神经网络Conv1d输入形状

Question

我正在尝试创建一个 CNN 来对数据进行分类。我的数据是 X[N_data, N_features]我想创建一个能够对其进行分类的神经网络。我的问题是关于 keras 后端 Conv1D 的输入形状。

我想重复过滤......假设有 10 个特征，然后为接下来的 10 个特征保持相同的权重。对于每个数据，我的卷积层将创建 N_features/10 个新神经元。我怎样才能这样做？我应该在 input_shape 中放入什么？

def cnn_model():
model = Sequential()                                               
model.add(Conv1D(filters=1, kernel_size=10 ,strides=10,     
                  input_shape=(1, 1,N_features),kernel_initializer= 'uniform',      
                  activation= 'relu')) 
model.flatten()
model.add(Dense(N_features/10, init= 'uniform' , activation= 'relu' ))

有什么建议吗？谢谢!

Answer 1

尝试:

def cnn_model():
    model = Sequential()                                               
    model.add(Conv1D(filters=1, kernel_size=10 ,strides=10,     
              input_shape=(N_features, 1),kernel_initializer= 'uniform',      
              activation= 'relu')) 
model.flatten()
model.add(Dense(N_features/10, init= 'uniform' , activation= 'relu' ))
....

并将您的 x reshape 为 (nb_of_examples, nb_of_features, 1)。

编辑:

Conv1D 是为序列分析而设计的 - 无论我们处于序列的哪个部分，卷积滤波器都是相同的。第二个维度是所谓的“特征”维度，其中每个时间步都可以有一个由多个“特征”组成的向量。人们可能会认为序列维度与空间维度相同，特征维度与 channel 维度或相同Conv2D 中的>颜色维度。正如 @putonspectacles 在他的评论中提到的 - 您可以将序列维度设置为无，以使您的网络输入长度不变。