Keras 1D CNN：如何正确指定尺寸？

Question

所以，我想做的是使用这里获得的开普勒数据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。我发现这可以通过在Keras中使用1D卷积层来完成。但是我一直在弄乱维度并得到以下错误

检查模型输入时出错：预期conv1d_1_input有形状（无，3197,1），但得到了带有形状的数组（1, 570, 3197)

因此，问题是：

1.数据（training_set和test_set）是否需要转换为3D张量？如果是，正确的维度是多少？

2.什么是正确的输入形状？我知道我有一个功能的3197个时间步长，但是留档没有指定他们是使用TF还是theano后端，所以我仍然头疼。

顺便说一下，我正在使用TF后端。非常感谢您的帮助！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

假设你的数据的形状是，

>>> data.shape()
(m, n)

因此，您应该添加一个新轴作为通道轴，

>>> data = data[..., np.newaxis]
>>> data.shape()
(m, n, 1)

Answer 2

>

是的，数据集应该是3d张量。

正确的输入形状（对于tensorflow后端）是（sample\u number、sample\u size、channel\u number）。您可以从错误消息中检查“预期维度为（None，3197，1）”。

“None”表示任意大小的维度，因为它预期是训练中使用的样本数。

因此，在您的情况下，正确的形状是（570、3197、1）。

如果您碰巧使用theano后端，您应该将通道维度放在首位：（sample_number、channel_number、sample_size）或在您的特殊情况下

（570,1, 3197)