一维多通道卷积层 (Keras) 如何训练？

Question

我正在处理从身体 10 个单独位置记录的时间序列 EEG 数据，以根据增加的心脏活动对未来行为进行分类。我想更好地了解我的标记数据如何对应于训练输入。

到目前为止，几种 RNN 配置以及无数香草密集网络组合都没有给我带来很好的结果，我认为一维卷积网络值得一试。

我无法理解的事情是：

1.) 将数据输入模型。

orig shape         = (30000 timesteps, 10 channels)  
array fed to layer = (300 slices, 100 timesteps, 10 channels) 

这些切片是由 1 个时间步长分开，在原始数组的任一端给我 300 个时间步长切片，还是它们是端到端分开的？如果第二个是真的，我怎么能创建一个由一个 ts 分隔的（30000 - 100）个切片数组，并且还与 1D CNN 层兼容？

2) 将标签与训练和测试数据匹配

我的理解是，当您输入一系列train_x_shape = (30000, 10) 时，有30000 个标签与train_y_shape = (30000, 2)（2 个类）与train_x 数据相关联。

所以，当（300 片）100 个时间步的train_x 数据和shape = (300, 100, 10) 被输入到模型中时，标签值是否对应于整个 100 ts（每 100 ts 一个标签，此标签等于到最后一个时间步的标签），或者切片中的每 100 行/向量是否标记为每个 ts 一个？

训练输入：

train_x = train_x.reshape(train_x.shape[0], 1, train_x.shape[1])  
n_timesteps = 100 
n_channels  = 10
layer : model.add(Convolution1D(filters = n_channels * 2, padding = 'same', kernel_size = 3, input_shape = (n_timesteps, n_channels))) 
final layer : model.add(Dense(2, activation = 'softmax'))  

我使用categorical_crossentropy 表示损失。

Answer 1

回答 1

这真的取决于“你是如何得到这些切片的”？
答案完全取决于“你在做什么”。那么，你想要什么？

如果您只是简单地将原始数组从形状 (30000,10) 重新整形 (array.reshape(...)) 到形状 (300,100,10)，模型将看到：

• 300 个单独（且未连接）序列
• 每个序列有 100 个时间步长

序列1从步骤0到299； 序列 2 从步骤 300 到 599 等等。

创建重叠切片 - 滑动窗口

如果您想创建仅移动一个时间步长的序列，请为此创建一个循环。

import numpy as np

originalSequence = someArrayWithShape((30000,10))  
newSlices = [] #empty list

start = 0
end = start + 300

while end <= 30000:
    newSlices.append(originalSequence[start:end])
    start+=1
    end+=1

newSlices = np.asarray(newSlices)

注意：如果您在输入数据中执行此操作，您也必须在输出数据中执行类似操作。

答案2

同样，这完全取决于您。你想达到什么目标？

卷积层将使用这些选项保持时间步长：

• 如果使用padding='same'，最终长度会和输入一样
• 如果不这样做，最终长度将根据您选择的内核大小而减少

循环层是否保持时间步长取决于：

• 无论你使用return_sequences=True - 输出都有时间步长
• 或者你使用return_sequences=False - 输出没有时间步长

如果您只想为每个序列（而不是每个时间步）输出一个输出：

循环模型：

• 使用LSTM(...., return_sequences=True) 直到最后一个 LSTM
• 最后一个 LSTM 将是LSTM(..., return_sequences=False)

卷积模型：

在卷积之后的某个时间点，选择其中一个进行添加：

• GlobalMaxPooling1D
• GlobalAveragePooling1D
• Flatten（但稍后使用 Dense(2) 处理通道数
• Reshape((2,))

如果使用卷积，我想我会选择 GlobalMaxPooling2D，但循环模型似乎更适合这个。 （虽然不是规则）。

您可以选择使用中间的MaxPooling1D 层，将长度从 100 逐渐减少到 50，然后再减少到 25，依此类推。这可能会达到更好的输出。

---

记得保持 X 和 Y 配对：

import numpy as np

train_x = someArrayWithShape((30000,10))  
train_y = someArrayWithShape((30000,2))
newXSlices = [] #empty list
newYSlices = [] #empty list

start = 0
end = start + 300

while end <= 30000:
    newXSlices.append(train_x[start:end])
    newYSlices.append(train_y[end-1:end])
    start+=1
    end+=1

newXSlices = np.asarray(newXSlices)
newYSlices = np.asarray(newYSlices)