ValueError：检查输入时出错：预期 input_58 有 3 个维度，但得到了形状为 (10000、10020) 的数组

Question

所以我正在尝试使用具有形状 (10000, 10020) 的数据构建一维 CNN 自动编码器。 这是我的设置：

input_wave = Input(shape=(10020,1))
encode1 = Conv1D(16, 16)(input_wave)
pool1 = MaxPooling1D(3)(encode1)
encode2 = Conv1D(32, 60)(pool1)
pool2 = MaxPooling1D(5)(encode2)
encode3 = Conv1D(64, 130)(pool2)
pool3 = MaxPooling1D(5)(encode3)
encode4 = Conv1D(128, 105)(pool3)
up1 = UpSampling1D(10)(encode4)
drop = Dropout(.2)(up1)
up2 = UpSampling1D(10)(drop)
drop2 = Dropout(.2)(up2)
flat  = Flatten()(drop2)
Den = Dense(10020, activation = 'sigmoid', input_shape = (12800, 1))(flat)

autoencoder.compile(optimizer = 'Adam',
                    loss = 'mean_squared_error',
                    metrics = ['accuracy'])

autoencoder = Model(input_wave, Den)
autoencoder.summary()

很遗憾，我无法发布数据本身，但它的数字介于 0 和 1 之间，没有 NA，并且是波形数据。

当我运行 data.shape() 时，我得到：

(10000, 10020)

当我运行 type(data) 时，我得到：

pandas.core.frame.DataFrame

我的健康声明如下所示：

autoencoder.fit(data,data,
                batch_size = 250,
                epochs = 10)

我收到以下错误：

  ValueError: Error when checking target: expected dense_7 to have 2 dimensions, but got array with shape (10000, 10020, 1)

我尝试使用 data.values，并使用以下代码重塑我的数据：

data = np.reshape(i_data[1].values, (10000, 10020, 1))

但这给了我这个错误：

ValueError: Error when checking target: expected dense_7 to have 2 dimensions, but got array with shape (10000, 10020, 1)

因此，无论哪种方式，我的网络结构似乎都很糟糕。很抱歉，我无法发布我的数据 :( 但如果有帮助，我可以制作玩具数据！有人知道我的结构问题出在哪里吗？

Answer 1

首先，你的自动编码器的定义很奇怪，我不知道你用的是什么例子。

你必须用相同的形状重建你的数据，所以你的最后一层需要输出一个(batch, 10020, 1)的形状，这是你的错误，你正在对你的数据应用扁平和密集，这就是为什么你只有 2 Dimension符合预期的输出。

这是一个简单的自动编码器工作示例：

x = Input(shape=(10020, 1), name="input")
h = Conv1D(filters=50, kernel_size=3, activation="relu", padding='same', name='Conv1')(x)
h = MaxPooling1D(pool_size=2, name='Maxpool1')(h)
h = Conv1D(filters=150, kernel_size=3, activation="relu", padding='same', name='Conv2')(h)
h = MaxPooling1D(pool_size=2,  name="Maxpool2")(h)
y = Conv1D(filters=150, kernel_size=3, activation="relu", padding='same', name='conv-decode1')(h)
y = UpSampling1D(size=2, name='upsampling1')(y)
y = Conv1D(filters=50, kernel_size=3, activation="relu", padding='same', name='conv-decode2')(y)
y = UpSampling1D(size=2, name='upsampling2')(y)
y = Conv1D(filters=1, kernel_size=3, activation="relu", padding='same', name='conv-decode3')(y)


autoencoder = Model(x, y)

您可以根据需要使用内核大小和过滤器，但您需要以与编码相同的方式对数据进行解码。

此外，由于您的最后一个 Dense 层，您的模型有 1.29 亿个参数，这实在是太多了。

如果您需要更高的精度，请告诉我。