deep-learning - Keras 1D CNN : How to specify dimension correctly?

Question

所以，我想做的是使用获得的开普勒数据 here 对系外行星和非系外行星进行分类。数据类型是维度为 (num_of_samples,3197) 的时间序列。我发现这可以通过使用 Keras 中的一维卷积层来完成。但我一直弄乱尺寸并收到以下错误

Error when checking model input: expected conv1d_1_input to have shape (None, 3197, 1) but got array with shape (1, 570, 3197)

所以，问题是:

1.数据(training_set和test_set)需要转换成3D张量吗？如果是，正确的尺寸是多少？

2.正确的输入形状是什么？我知道 1 个功能有 3197 个时间步，但是 the documentation没有具体说明他们是使用 TF 还是 theano 后端，所以我还是很头疼。

顺便说一下，我使用的是 TF 后端。非常感谢任何善意的帮助!谢谢!

"""
Created on Wed May 17 18:23:31 2017

@author: Amajid Sinar
"""

import matplotlib.pyplot as plt
import pandas as pd
plt.style.use("ggplot")
import numpy as np

#Importing training set
training_set = pd.read_csv("exoTrain.csv")
X_train = training_set.iloc[:,1:].values
y_train = training_set.iloc[:,0:1].values

#Importing test set
test_set = pd.read_csv("exoTest.csv")
X_test = test_set.iloc[:,1:].values
y_test = test_set.iloc[:,0:1].values

#Scale the data
from sklearn.preprocessing import StandardScaler
sc = StandardScaler()
X_train = sc.fit_transform(X_train)
X_test = sc.fit_transform(X_test)

#Convert data into 3d tensor
X_train = np.reshape(X_train,(1,X_train.shape[0],X_train.shape[1]))
X_test = np.reshape(X_test,(1,X_test.shape[0],X_test.shape[1]))


#Importing convolutional layers
from keras.models import Sequential
from keras.layers import Convolution1D
from keras.layers import MaxPooling1D
from keras.layers import Flatten
from keras.layers import Dense
from keras.layers import Dropout
from keras.layers.normalization import BatchNormalization

#Convolution steps
#1.Convolution
#2.Max Pooling
#3.Flattening
#4.Full Connection

#Initialising the CNN
classifier = Sequential()

#Input shape must be explicitly defined, DO NOT USE (None,shape)!!!
#1.Multiple convolution and max pooling
classifier.add(Convolution1D(filters=8, kernel_size=11, activation="relu", input_shape=(3197,1)))
classifier.add(MaxPooling1D(strides=4))
classifier.add(BatchNormalization())
classifier.add(Convolution1D(filters=16, kernel_size=11, activation='relu'))
classifier.add(MaxPooling1D(strides=4))
classifier.add(BatchNormalization())
classifier.add(Convolution1D(filters=32, kernel_size=11, activation='relu'))
classifier.add(MaxPooling1D(strides=4))
classifier.add(BatchNormalization())
#classifier.add(Convolution1D(filters=64, kernel_size=11, activation='relu'))
#classifier.add(MaxPooling1D(strides=4))


#2.Flattening
classifier.add(Flatten())


#3.Full Connection
classifier.add(Dropout(0.5))
classifier.add(Dense(64, activation='relu'))
classifier.add(Dropout(0.25))
classifier.add(Dense(64, activation='relu'))
classifier.add(Dense(1, activation='sigmoid'))

#Configure the learning process
classifier.compile(optimizer="adam", loss="binary_crossentropy", metrics=["accuracy"])

#Train!
classifier.fit_generator(X_train, steps_per_epoch=X_train.shape[0], epochs=1, validation_data=(X_test,y_test))

score = classifier.evaluate(X_test, y_test)

Answer 1

1. 是的，您的数据集应该是 3d 张量。

2. 正确的输入形状(对于 tensorflow 后端)是(sample_number,sample_size,channel_number)。您可以从错误消息中检查“预期尺寸为 (None, 3197, 1)”。

“无”指的是任意大小的维度，因为它是训练中使用的样本数量。

因此，在您的情况下，正确的形状是(570, 3197, 1)。

如果你碰巧使用 theano 后端，你应该把你的 channel 维度放在第一位:(sample_number,channel_number,sample_size) 或根据您的具体情况

(570,1, 3197)