当需要三维输入（张量）时，使用keras 1D卷积层在R（Rstudio）中设置NLP任务的输入形状
我正在使用R编程语言和KerasAPI构建一个功能性的1D CNN。
我有一个包含以下形状行*特征（6000*1024）的数据集矩阵。
使用以下代码设置输入层：
input_layer = layer_input(shape = 1024, batch_shape = c(nrow(train_matrix),1024), dtype = 'float64')
然后我正在构建一个1d conv层，如下所示：
conv1 = input_layer %>% layer_conv_1d(filters = 32, kernel_size = 50, strides = 10, input_shape = 1024, batch_input_shape = list(NULL, 1024) ,dtype = 'float64', activation = 'relu' )
但我得到以下错误：
py\u call\u impl（可调用，dots$参数，dots$关键字）中出错：值错误：输入0与层conv1d不兼容：预期ndim=3，发现ndim=2
我认为这是因为1D cnn层期望以下形式的输入
输入形状：带形状的三维张量：（batch\u size，steps，Input\u dim）
我知道我必须将我的数据重塑为（NULL，nrow（train\u matrix），1）；对于在Python中使用keras时出现的同一问题，各种答案中都提出了这一点。
如果我是对的，
- 我应该向输入层提供哪些值
- 我该如何重塑我的训练数据？
- 这是否意味着我也必须重塑测试数据？
如果我的理解是错误的，那么应该怎么做呢？
共有1个答案
输入层产生2d张量，而1d卷积层期望3d张量作为输入。这个答案很好地解释了为什么keras会这样做，以及您应该如何将2d输入重塑为3d。
我使用Keras R API函数k_reshape（2d_tensor，（list_of_new_dims））--
nrow（train_matrix）-我的矩阵中的总行数（没有样本）
num_of_feature_vectors-矩阵中的列总数（特征总数）
我想要一个z轴上只有1个元素的3d张量，因此z轴被初始化为1
-
我在使用Keras和Python对3D形状进行分类时遇到了一个问题。我有一个文件夹，里面有一些JSON格式的模型。我将这些模型读入Numpy数组。模型是25*25*25，表示体素化模型的占用网格（每个位置表示位置（i、j、k）中的体素是否有点），因此我只有1个输入通道，就像2D图像中的灰度图像一样。我拥有的代码如下： 在此之后，我得到以下错误 使用TensorFlow后端。回溯（最后一次调用）：文
-
问题是卷积神经网络的数学细节。假设网络的体系结构（其目标是图像分类）是这样的 输入图像32x32 第一个隐藏层3x28x28（由3个大小为5x5的滤波器卷积而成，步幅=0，无填充），随后是激活 池化层（在2x2区域上池化），产生3x14x14输出 第二隐藏层6x10x10（由6个大小为5x5的滤波器卷积而成，步幅=0，无填充），随后激活 池化层（在2x2区域上池化），产生6x5x5输出 具有100
-
我在Keras建立了一个卷积神经网络。 根据CS231讲座，卷积操作为每个过滤器创建一个特征映射（即激活映射），然后将其堆叠在一起。在我的例子中，卷积层有一个300维的输入。因此，我预计会进行以下计算： 每个过滤器的窗口大小为5。因此，每个滤波器产生300-5 1=296个卷积 但是，实际输出形状看起来不同： 偏移值的形状很有意义，因为每个过滤器都有一个偏移值。然而，我不了解重量的形状。显然，第一
-
我正在尝试创建一维卷积模型，但我似乎无法获得正确的输入形状。以下是我所拥有的： 我收到以下错误： 有人有什么建议吗？
-
根据tf.keras.layers.Conv3D的官方留档 如果data\u format='channels\u first'，带形状的5 D张量：batch\u shape（通道，conv\u dim1，conv\u dim2，conv\u dim3），如果data\u format='channels\u last'，带形状的5 D张量：batch\u shape（通道，conv\u dim
-
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： 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