在 Keras 中使用 Conv1D 的形状错误答案

【问题标题】：Error of Shape Using Conv1D in Keras在 Keras 中使用 Conv1D 的形状错误
【发布时间】：2023-03-12 14:47:01
【问题描述】：

我在使用 Keras 的 Sequential NN 中使用 Conv1D 作为输入层时遇到了麻烦。这是我的代码：

import numpy as np    
from keras.layers.convolutional import Conv1D    
from keras.models import Sequential    
from keras.optimizers import Adam    

conv1d = Conv1D(input_shape=(None, 16), kernel_size=2, filters=2)    

model = Sequential()    
model.add(conv1d)    
model.compile(loss="logcosh", optimizer=Adam(lr=0.001))    

x_train = np.zeros((32, 16, 1))    
y_train = np.zeros((32, 16, 1))    

print(x_train.shape)    

model.fit(x_train, y_train, batch_size=4, epochs=20)

这是错误。我尝试了多种方法，但都没有帮助我解决问题。

ValueError: 检查输入时出错：预期 conv1d_47_input 的形状为 (None, 16) 但得到的数组的形状为 (16, 1)

【问题讨论】：

标签： python keras conv-neural-network keras-layer

【解决方案1】：

Conv1D 期望输入具有(batch_size, steps, input_dim) 的形状。

根据您的训练数据的形状，您的最大长度为 16，输入维度仅为 1。这是您需要的吗？

如果是这样，那么输入形状可以指定为(16, 1)（长度始终为16）或(None, 1)（动态长度）。

如果您打算定义长度为 1 和维度为 16 的序列，那么您需要不同形状的训练数据：

x_train = np.zeros((32, 1, 16))
y_train = np.zeros((32, 1, 16))

【讨论】：

还是不行。错误是：检查目标时出错：预期 conv1d_52 的形状为 (None, 2) 但得到的数组的形状为 (1, 16)
你的最后一层是一维卷积，它为每一步生成一个二维向量。 Keras 告诉您目标的形状 (y_train) 与最终层的输出形状不兼容。
我不知道你将使用这个模型去哪里，但“修复”它的最简单方法是输出过滤器的数量与输出的维度相匹配，即：@987654327 @
我有一个包含 32 个长度为 16 的向量的数据集。我想把它们放在一个 convNN 中。代码 qbove 只是神经网络的一个 sn-p。之后我添加了几层。但由于第一层不起作用，我被困在这里。我试图添加一个维度，如上图所示。我试图以各种方式排列维度，但我一次又一次地遇到一些错误。我找不到继续前进的方法。也许如果我尝试交换不同的层它可能会有所帮助，但它也会改变算法的总体目标，对吧？

【解决方案2】：

我设法使用 flatten 函数和密集层找到了一个解决方案，并且成功了

import numpy as np
from keras.layers.convolutional import Conv1D
from keras.models import Sequential
from keras.optimizers import Adam
from keras.layers import Conv1D, Dense, MaxPool1D, Flatten, Input

conv1d = Conv1D(input_shape=(16,1), kernel_size=2, filters=2)

model = Sequential()
model.add(conv1d)
model.add(Flatten())
model.add(Dense(16))

model.compile(optimizer=optimizer,loss="cosine_proximity",metrics=["accuracy"])

x_train = np.zeros((32,16,1))
y_train = np.zeros((32,16))

print(x_train.shape)
print()

model.fit(x_train, y_train, batch_size=4, epochs=20)

【讨论】：