Conv1D网络的输入维度问题

Question

由于我是深度学习领域的新手，我面临一个关于卷积网络 (1D) 输入形状的奇怪问题。输入是 13 个特征的归一化值，共有 7866 个样本可用

x_train_shape (7866, 13)

每个特征的目标是 0 或 1。

y_train.shape (7866, 13)

我正在使用以下简单的 1D conv 网络只是为了看看它的性能。

from keras.models import Sequential
model = Sequential()
model.add(Conv1D(filters=64, kernel_size=1,
                 activation='relu', input_shape=(13,1)))

model.add(Conv1D(filters=64, kernel_size=1, activation='relu'))
model.add(Dropout(0.5))
model.add(MaxPooling1D(pool_size=2))
model.add(Flatten())
model.add(Dense(100, activation='relu'))
model.add(Dense(13, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
model.summary()
history = model.fit(x_train, y_train, epochs=20, verbose=0)

它显示了网络的摘要，但也引发了这个错误：

检查输入时出错：预期 conv1d_1_input 有 3 尺寸，但得到了形状为 (7866, 13) 的数组

我尝试从 here 和 here 实施不同的解决方案。所以当

input_shape = (13,)

被使用，它会引发一个不同的错误，如下所示：

输入 0 与层 conv1d_1 不兼容：预期 ndim=3，找到 ndim=2

谁能告诉我这个网络的正确 input_shape 是什么？为什么？
注： x_train 和 y_train 采用 pandas 数据帧格式。这是否会导致任何问题，我是否必须将其转换为另一种格式？

Answer 1

保持input_shape 参数不变，您应该为输入添加一个维度，或者“unsqueeze”它。

x_train = np.expand_dims(x_train, 0)

它的形状现在是：

(7866, 13, 1)

Answer 2

按如下方式重塑您的训练数据： 然后运行你的模型

x_train.reshape(7866, 13,1)