一维卷积神经网络输入形状问题
我正在尝试为数字数据集构建1D CNN。我的数据集有520行和13个特征。下面是代码。
它给出了“ValueError:layer sequential\u 21的输入0与layer不兼容：：expected min\u ndim=3，found ndim=2。接收到的完整形状：（1，13）”错误。
我需要如何设置输入形状，还是必须重塑X\U列？非常感谢您的帮助。
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.20)
n_features = 13
model = Sequential()
model.add(Conv1D(filters=1, kernel_size=1, activation='relu', input_shape=(1, n_features)))
model.add(Conv1D(filters=1, kernel_size=1, activation='relu'))
model.add(Dropout(0.5))
model.add(MaxPooling1D(pool_size=1))
model.add(Flatten())
model.add(Dense(100, activation='relu'))
model.add(Dense(2, activation='softmax'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(X_train, y_train, epochs=20, batch_size=1)
yhat_classes = model.predict_classes(testX, verbose=0)
共有1个答案
问题是批处理numpy数据集会产生行。现在您使用batch size 1，因此生成器生成一行，生成一个shape（1，n\u features）数组，但您需要shape（batch\u size，1，n\u features）。
在拆分数据集之前向其添加维度应该可以解决问题
X = X.reshape(-1, 1, n_features)
-
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
-
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？ 有什么建议吗？非常感谢。
-
我有32760个音频频谱，计算维度=72（#帧）x 40（#频段），我试图将其输入“宽”卷积神经网络（第一层是4个不同conv层的合奏）。这些频谱没有深度，因此它们可以表示为72 x 40 2D数字浮点数组，因此分类器的X输入是一个32760个元素长的数组，每个元素都是这些72 x 40 x 1频谱之一。Y输入是一个标签数组，一个热编码，有32760个元素。 当尝试使用 我得到以下错误： 以下是我
-
我正在试图理解卷积神经网络中的维度是如何表现的。在下图中，输入为带1个通道的28乘28矩阵。然后是32个5乘5的过滤器（高度和宽度步幅为2）。所以我理解结果是14乘14乘32。但是在下一个卷积层中，我们有64个5×5的滤波器（同样是步幅2）。那么为什么结果是7乘7乘64而不是7乘7乘32*64呢？我们不是将64个滤波器中的每一个应用于32个通道中的每一个吗？
-
我一直在研究一个简单的卷积神经网络模型，但输出似乎与我想要的形状不匹配。 所以我的输入大小似乎不是问题。我的训练集输入形状是（13630, 200, 4, 1)其中13630是数据的数量，而我的training_label如下。（13630,2）我期望模型输出形状是（2，），但它似乎期望（1，）作为输出大小。 所以我的错误是这样的。 检查目标时出错：预期稠密_28具有形状（1），但获得具有形状（2
-
注意: 本教程适用于对Tensorflow有丰富经验的用户，并假定用户有机器学习相关领域的专业知识和经验。 概述 对CIFAR-10 数据集的分类是机器学习中一个公开的基准测试问题，其任务是对一组大小为32x32的RGB图像进行分类，这些图像涵盖了10个类别： 飞机， 汽车， 鸟， 猫， 鹿， 狗， 青蛙， 马， 船以及卡车。 想了解更多信息请参考CIFAR-10 page，以及Alex Kriz