Keras 和 Conv1D 问题的输入形状

Question

首先，我对神经网络和 Keras 非常陌生。

我正在尝试使用 Keras 创建一个简单的神经网络，其中输入是时间序列，输出是另一个相同长度的时间序列（一维向量）。

我使用 Conv1D 层制作了虚拟代码来创建随机输入和输出时间序列。然后 Conv1D 层输出 6 个不同的时间序列（因为我有 6 个过滤器），下一层我定义将所有 6 个输出添加到一个中，即整个网络的输出。

import numpy as np
import tensorflow as tf
from tensorflow.python.keras.models import Model
from tensorflow.python.keras.layers import Conv1D, Input, Lambda


def summation(x):
    y = tf.reduce_sum(x, 0)
    return y


time_len = 100  # total length of time series
num_filters = 6 # number of filters/outputs to Conv1D layer
kernel_len = 10 # length of kernel (memory size of convolution)

# create random input and output time series
X = np.random.randn(time_len)
Y = np.random.randn(time_len)

# Create neural network architecture
input_layer = Input(shape = X.shape)
conv_layer = Conv1D(filters = num_filters, kernel_size = kernel_len, padding = 'same')(input_layer)
summation_layer = Lambda(summation)(conv_layer)

model = Model(inputs = input_layer, outputs = summation_layer)

model.compile(loss = 'mse', optimizer = 'adam', metrics = ['mae'])

model.fit(X,Y,epochs = 1, metrics = ['mae'])

我得到的错误是：

ValueError: Input 0 of layer conv1d_1 is incompatible with the layer: expected ndim=3, found ndim=2. Full shape received: [None, 100]

查看 Conv1D 的 Keras 文档，输入形状应该是形状（批次、步骤、通道）的 3D 张量，如果我们使用一维数据，我不明白。

您能解释一下每一项的含义：批次、步骤和通道吗？我应该如何塑造我的一维向量以允许我的网络运行？

Answer 1

什么是（训练）样本？

（训练）数据可能包含数十、数百或数千个样本。例如，像 Cifar-10 或 ImageNet 这样的图像数据集中的每个图像都是一个样本。再举一个例子，对于一个时序数据集，该数据集由 10 年多天的天气统计数据组成，每个训练样本可能是每天的时间序列。如果我们在一天中记录了 100 次测量，并且每次测量都包含温度和湿度（即每次测量有两个特征），那么我们的数据集的形状大致为 (10x365, 100, 2)。

什么是批量大小？

批量大小只是模型一次可以处理的样本数。我们可以使用 Keras 中fit 方法的batch_size 参数设置批量大小。常见的值为 16、32、64、128、256 等（尽管您必须选择一个数字，以便您的机器有足够的 RAM 来分配所需的资源）。

此外，“步数”（也称为“序列长度”）和“通道”（也称为“特征大小”）分别是测量次数和每次测量的大小。例如，在上面的天气示例中，我们有 steps=100 和 channels=2。

要解决代码问题，您需要定义训练数据（即X），使其形状为(num_samples, steps or time_len, channels or feat_size)：

n_samples = 1000   # we have 1000 samples in our training data
n_channels = 1     # each measurement has one feature
X = np.random.randn(n_samples, time_len, n_channels)

# if you want to predict one value for each measurement
Y = np.random.randn(n_samples, time_len)

# or if you want to predict one value for each sample
Y = np.random.randn(n_samples)

编辑：

还有一件事是您应该将一个样本的形状作为模型的输入形状传递。因此，Input层的输入形状必须像shape=X.shape[1:]一样传递。