将 3D 数据作为输入拟合到 Keras 序列模型层

Question

我是机器学习和 Keras 的新手。实际上，我使用过 scikit-learn，但 Keras 似乎有点复杂。我的问题是我有一些 3D 数据并希望将其放入密集层（我也尝试过使用 Conv2D 和 Conv1D 层）。 我所做的如下：

arr1 = np.random.random((30,2))
arr2 = np.random.random((30,2))
arr3 = np.random.random((30,2))
arr4 = np.random.random((30,2))
arr5 = np.random.random((30,2))
arr6 = np.random.random((30,2))

x_matrix = np.dstack(
    (arr1
    ,arr2
    ,arr3
    ,arr4
    ,arr5
    ,arr6)
).swapaxes(1,2)
print(x_matrix.shape)

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(x_matrix, y_matrix, test_size=0.33, random_state=42)

from keras.models import Sequential
model = Sequential()

from keras.layers import Dense, Conv2D, Conv1D, Flatten

model = Sequential()

model.add(Dense(6, activation='sigmoid', input_shape=(6,2)))

model.compile(loss='categorical_crossentropy',
              optimizer='sgd',
              metrics=['accuracy'])

model.fit(np.array(X_train), np.array(y_train), epochs=20, batch_size=1)#
score = model.evaluate(X_test, y_test)

print(score)

而且我在 fit 步骤中遇到了错误。错误如下：

ValueError: Error when checking target: expected dense_1 to have 3 dimensions, but got array with shape (20, 2)

对于 Conv1D 层，我尝试了这个：

model.add(Conv1D(6, (2),  activation='sigmoid', input_shape=(6 ,2)))

并想出了错误：

ValueError: Error when checking target: expected conv1d_1 to have 3 dimensions, but got array with shape (20, 2)

Conv2D 看起来更复杂，我可能不需要它作为我的输入层，但使用下面的调用我仍然有同样的错误。

model.add(Conv2D(6, (2,2),  activation='sigmoid', input_shape=(20,6 ,2)))

ValueError: Error when checking input: expected conv2d_1_input to have 4 dimensions, but got array with shape (20, 6, 2)

我要问的是：如何使用 Keras 将这样的数据拟合到神经网络中？

Answer 1

首先，您必须了解您的数据是什么以及您想用它做什么。

然后您决定如何塑造数据以及使用哪些层。

不过有一些重要的约定：

• 数据中的第一个维度是“样本/示例”的数量。由于您创建了一个形状 (30,6,2)，因此您决定有 30 个样本，每个样本的形状为 (6,2)——这就是为什么了解您的数据和您想要做什么很重要。
• X 和 Y 必须具有相同数量的样本。因此，如果 X 中有 30 个样本，那么 Y 中肯定也应该有 30 个样本，但您的数据似乎认为它有 20 个样本。查看消息中target 的形状：(20,2)
• 其他维度是免费的，但是：
  • 密集层仅适用于最后一个维度，其他维度保持不变：输出形状为 (30,6,units)
  • Conv1D 层将 3D 输入解释为：(samples, length, input_channels)，输出形状为 (samples, modified_length, filters)。
  • Conv2D 层需要 4D 输入：(samples, width, heigth, input_channels)，并将输出(samples, modified_width, modified_height, filters)
• 模型的输出形状必须与 Y 的形状匹配。在这里，您必须再次了解 Y 是什么，并确保准备好模型以匹配它。
• 如果在模型中的某个点需要将 3D 数据变为 2D，则需要使用 Flatten、Reshape、GlobalMaxPooling1D 或 GlobalAveragePooling1D 层。

提示：使用model.summary() 查看每一层的输出形状以及最终输出形状。

提示2：首先明确定义您的数据和目标，然后是 X 和 Y 的形状，然后是模型的形状。