卷积神经网络Conv1d输入形状

Question

我正在尝试创建一个CNN来对数据进行分类。我的数据是X[N\u数据，N\u特征]我想创建一个能够对其进行分类的神经网络。我的问题是关于keras后端Conv1D的输入形状。

我想在上面重复一个过滤器。。假设有10个特征，然后为接下来的10个特征保持相同的权重。对于每个数据，我的卷积层将创建N\U特征/10个新神经元。我该怎么做？我应该在input\u形状中放置什么？

def cnn_model():
model = Sequential()                                               
model.add(Conv1D(filters=1, kernel_size=10 ,strides=10,     
                  input_shape=(1, 1,N_features),kernel_initializer= 'uniform',      
                  activation= 'relu')) 
model.flatten()
model.add(Dense(N_features/10, init= 'uniform' , activation= 'relu' ))

有什么建议吗？非常感谢。

Answer 1

要将形状（nrows，ncols）的常规特征表数据输入到Keras的Conv1d，需要以下两个步骤：

xtrain.reshape(nrows, ncols, 1)
# For conv1d statement: 
input_shape = (ncols, 1)

例如，以虹膜数据集的前4个特征为例：

要查看通常的格式及其形状：

iris_array = np.array(irisdf.iloc[:,:4].values)
print(iris_array[:5])
print(iris_array.shape)

输出显示通常的格式及其形状：

[[5.1 3.5 1.4 0.2]
 [4.9 3.  1.4 0.2]
 [4.7 3.2 1.3 0.2]
 [4.6 3.1 1.5 0.2]
 [5.  3.6 1.4 0.2]]

(150, 4)

以下代码更改了格式：

nrows, ncols = iris_array.shape
iris_array = iris_array.reshape(nrows, ncols, 1)
print(iris_array[:5])
print(iris_array.shape)

上述代码数据格式及其形状的输出：

[[[5.1]
  [3.5]
  [1.4]
  [0.2]]

 [[4.9]
  [3. ]
  [1.4]
  [0.2]]

 [[4.7]
  [3.2]
  [1.3]
  [0.2]]

 [[4.6]
  [3.1]
  [1.5]
  [0.2]]

 [[5. ]
  [3.6]
  [1.4]
  [0.2]]]

(150, 4, 1)

这对于Keras的Conv1d非常有效。对于输入形状，需要（4,1）。

Answer 2

@Marcin的回答可能有效，但根据此处的文档可能会给出建议：

当使用此层作为模型中的第一层时，提供一个input_shape参数（整数元组或无，例如（10,128）用于128维向量的10个向量的序列，或（无，128）用于128维向量的可变长度序列。

将是：

model = Sequential()
model.add(Conv1D(filters=1, kernel_size=10 ,strides=10,     
                  input_shape=(None, N_features),kernel_initializer= 'uniform',      
                  activation= 'relu')) 

注意，由于输入数据（N\u数据，N\u特征），我们将示例数设置为未指定（无）。在这种情况下，参数控制时间步的大小。

Answer 3

尝试：

def cnn_model():
    model = Sequential()                                               
    model.add(Conv1D(filters=1, kernel_size=10 ,strides=10,     
              input_shape=(N_features, 1),kernel_initializer= 'uniform',      
              activation= 'relu')) 
model.flatten()
model.add(Dense(N_features/10, init= 'uniform' , activation= 'relu' ))
....

并重塑您的x以塑造（nb_of_examples，nb_of_features，1）。

编辑：

Conv1D是为序列分析而设计的，它具有卷积滤波器，无论我们在序列的哪个部分，卷积滤波器都是相同的。第二个维度是所谓的特征维度，在该维度中，您可以在每个时间步拥有多个特征的向量。人们可能会认为序列维度与空间维度相同，而特征维度与通道维度或颜色维度相同。正如@putonspectacles在他的评论中提到的那样，您可以将序列维度设置为无，以使网络输入长度不变。