keras中一维卷积网络的输入维数

Question

真的很难理解keras中卷积1d层的输入维度：

输入形状

带形状的三维张量：（采样、步长、input\u dim）。

输出形状

带形状的三维张量：（采样、新的\u步骤、nb\u过滤器）。由于填充，步骤值可能已更改。

我希望我的网络接受价格的时间序列（101，按顺序）并输出4个概率。我当前的非卷积网络做得相当好（训练集为28000）如下所示：

standardModel = Sequential()
standardModel.add(Dense(input_dim=101, output_dim=100, W_regularizer=l2(0.5), activation='sigmoid'))
standardModel.add(Dense(4, W_regularizer=l2(0.7), activation='softmax'))

为了改进这一点，我想从具有长度为10的局部感受野的输入层制作一个特征图。（因此有10个共享权重和1个共享偏差）。然后我想使用max pooling并将其输入到一个由40个左右神经元组成的隐藏层中，然后用外层有softmax的4个神经元输出。

图片（这是相当可怕的抱歉！）

因此理想情况下，卷积层将采用二维张量：

（minibatch\u大小，101）

并输出三维尺寸张量

（minibatch\u大小，91，没有\u个功能图）

然而，keras层似乎需要输入一个称为步骤的维度。我试着理解这一点，但还是不太明白。在我的例子中，步骤应该是1吗？因为向量中的每一步都是时间增加1？另外，什么是new\u步骤？

此外，如何将池层（3d张量）的输出以2d张量的形式转换为适用于标准隐藏层（即密集keras层）的输入？

更新：在给出了非常有用的建议之后，我尝试制作一个卷积网络，如下所示：

conv = Sequential()
conv.add(Convolution1D(64, 10, input_shape=(1,101)))
conv.add(Activation('relu'))
conv.add(MaxPooling1D(2))
conv.add(Flatten())
conv.add(Dense(10))
conv.add(Activation('tanh'))
conv.add(Dense(4))
conv.add(Activation('softmax'))

行conv.Add（Flatten（））引发范围超出有效边界错误。有趣的是，此错误不仅仅针对以下代码：

conv = Sequential()
conv.add(Convolution1D(64, 10, input_shape=(1,101)))
conv.add(Activation('relu'))
conv.add(MaxPooling1D(2))
conv.add(Flatten())

正在执行

print conv.input_shape
print conv.output_shape

结果在

(None, 1, 101
(None, -256)

正在返回

更新2：

改变了

conv.add(Convolution1D(64, 10, input_shape=(1,101)))

到

conv.add(Convolution1D(10, 10, input_shape=(101,1))

它开始工作了。然而，将（None，101，1）输入到1d conv层或（None，1，101）输入到我应该知道的层之间有什么重要的区别吗？为什么（无，1101）不起作用？

Answer 1

之所以看起来像这样，是因为Keras设计师打算将一维卷积框架解释为处理序列的框架。为了充分理解差异——试着想象你有一个由多个特征向量组成的序列。然后你的输出将至少是二维的——其中第一个维度与时间相连，其他维度与特征相连。一维卷积框架旨在以某种方式大胆地处理这个时间维度，并试图找到数据中重复出现的模式——而不是执行经典的多维卷积变换。

在您的情况下，您必须简单地重塑数据以具有形状（dataset\u size，101，1），因为您只有一个特征。可以使用numpy轻松完成。重塑功能。要理解一个新步骤意味着什么，您必须理解您正在随着时间的推移进行卷积，因此您更改了数据的时间结构，这将导致新的时间连接结构。为了将数据转换为适合密集/静态层的格式，请使用keras。图层。展平层-与经典卷积情况相同。

更新：正如我之前提到的——输入的第一个维度与时间有关。所以（1,101）和（101,1）之间的区别在于，在第一种情况下，您有一个带有101个特征的时间步长，在第二种情况下-101个带有1个特征的时间步长。您在第一次更改后提到的问题源于在此类输入上使用大小为2的池化。只有一个时间步长——您无法在大小为2的时间窗口上汇集任何值——仅仅是因为没有足够的时间步长来做到这一点。