是否可以使用 CNN 的扁平层的输出作为 RNN 的输入？

Question

我目前正在做关于在线/动态签名验证的荣誉研究项目。我正在使用 SVC 2004 数据集（任务 2）。我研究的目的是创建一个 CRNN（卷积递归神经网络），它可以识别签名是真实的还是伪造的。这是模型的代码：（我的数据预处理可以在这里找到：Data preprocessing code

class crnn_model:
def __init__(self, trainX, trainy, testX, testy, optimizer_method):
   self.trainX = trainX
   self.trainy = trainy
   self.testX = testX
   self.testy = testy

   self.evaluate_model(optimizer_method)

def evaluate_model(self, optimizer_method):
    verbose, epochs, batch_size = 0, 40, 10
    n_timesteps, n_features, n_outputs = len(self.trainX), 7, 2
    model = keras.Sequential()
    model.add(keras.layers.Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(n_timesteps, n_features), use_bias=True))
    model.add(keras.layers.Conv1D(filters=64, kernel_size=3, activation='relu'))
    model.add(keras.layers.Dropout(0.5))
    model.add(keras.layers.MaxPooling1D(pool_size=2))
    model.add(keras.layers.Flatten())
    model.add(keras.layers.LSTM(2, input_shape=[30592,1], return_sequences=True))
    model.summary()

    # Compile the model
    model.compile(optimizer=optimizer_method, loss='categorical_crossentropy', metrics=['accuracy'])

    #fit model
    model.fit(self.trainX, self.trainy, epochs=epochs, batch_size=batch_size, verbose=verbose)

    #evaluate model
    _, accuracy = model.evaluate(self.testX, self.testy, batch_size=batch_size, verbose=0)
    return accuracy

这不是我的最终代码，但是我遇到了以下错误：

ValueError: Input 0 is in compatible with layer lstm_1: expected ndim=3, found ndim=2

非常感谢您抽出宝贵的时间以及有关 RNN 或 CNN 的任何提示。

Answer 1

Flatten 将形状为 (batch_size, timesteps, features) 的张量转换为 (batch_size, timesteps*features)，这就是您收到错误 found ndim=2 的原因。根据您要实现的目标，您可能会：

• 删除 Flatten 以将卷积后的学习特征传递到 LSTM，或
• Reshape 扁平化张量到 (batch_size, timesteps*features, 1) 本质上是说每个时间步长都是一个特征。

在任何一种情况下，LSTM 都需要一个 3 阶的张量。但是等等，仅仅因为你重塑并不意味着它是正确的，这完全取决于你想要实现的目标以及信息流/计算图的方式网络应该是这样的。