1D CNN的输入形状（Keras）

Question

我正在使用Keras构建一个CNN，以下Conv1D是我的第一层：

cnn.add(Conv1D(
    filters=512,
    kernel_size=3,
    strides=2,
    activation=hyperparameters["activation_fn"],
    kernel_regularizer=getattr(regularizers, hyperparameters["regularization"])(hyperparameters["regularization_rate"]),
    input_shape=(1000, 1),
))

我正在培训以下功能：

cnn.fit(
    x=train_df["payload"].tolist(),
    y=train_df["label"].tolist(),
    batch_size=hyperparameters["batch_size"],
    epochs=hyperparameters["epochs"],
)

其中，train\u df是一个由两列组成的pandas数据帧，其中，对于每一行，标签是一个int（0或1），有效载荷是一个用零填充/截断为1000的浮点数组。train\U df中的培训示例总数为15641。

模型编译，但在训练期间，我得到这个错误：

ValueError: Error when checking model input: the list of Numpy arrays that you are passing to your model is not the size the model expected. Expected to see 1 array(s), but instead got the following list of 15641 arrays: [array([[0.09019608],
   [0.01176471],
   [0.01176471],
   [0.        ],
   [0.30196078],
   [0.        ],
   [0.        ],
   [0.        ],
   [0.        ],
   [0....

我看了这篇文章，试图将输入更改为1000个浮点长列表的数组，但最后出现了另一个错误：

ValueError: Error when checking input: expected conv1d_1_input to have 3 dimensions, but got array with shape (15641, 1000)

有什么想法吗？

Answer 1

因此，我将input\u shape设置为（1000，1）

我还将feed to fit（）的输入转换为n个ndarray的单个ndarray（每个ndarray是1000个浮点的向量，n是样本/向量的总数），并在预处理过程中，在阅读了关于输入的说明后，将这些ndarray中的每一个重塑为（1，1000，1）

我输入数据的最终形状是（156411000，1）

所有这些都应适用于验证数据（如果指定）。

这解决了我的问题