使用张量流进行一维卷积的时间序列输入

Question

我正在尝试使用 tensorflow 将时间序列数据建模到卷积神经网络中。 我的时间序列数据格式如下

[timestamp, x, y, z]

我想为三个通道（x、y、z）创建 300 个时间戳窗口。因此，我对数据进行了如下预处理，当我将其输入到 tf.layers.conv1d 时，我使用以下重塑的输入

[1]
[x,y,z],[x,y,z],...[x,y,z] of size 3*300
#input shape is [-1, 3*300]
input = tf.reshape(input, shape = [-1, 300, 3])
#input shape is [-1, 300, 3]

[2]
[x,x,..x],[y,y,..y],[z,z...z] of size 300*3
#input shape is [-1, 300*3]
input = tf.reshape(input, shape = [-1, 300, 3])
#input shape is [-1, 300, 3]

考虑到我的原始数据集，哪些版本是正确的重塑？ 还是两者都不对？在那种情况下，将这些数据输入卷积层的正确方法是什么？

我都尝试过，但准确度结果非常低（低于 40%）。

提前致谢！

Answer 1

方法二是正确的。您可以通过运行以下简单示例代码来验证它。在这里，我的 bacth_size =2 而不是 300，我只使用了 9。

#Method1
input1 = np.array([[1, 2, 3, 1, 2, 3, 1, 2, 3, 1, 2, 3, 1, 2, 3, 1, 2, 3, 1, 2, 3, 1, 2, 3, 1, 2, 3],
                   [1, 2, 3, 1, 2, 3, 1, 2, 3, 1, 2, 3, 1, 2, 3, 1, 2, 3, 1, 2, 3, 1, 2, 3, 1, 2, 3]])
print(input1.shape)  # prints (2, 3*9)
out1 = tf.reshape(input1, shape=[-1, 9, 3])

#Method2
input2 = np.array([[1, 1, 1, 2, 2, 2, 3, 3, 3, 1, 1, 1, 2, 2, 2, 3, 3, 3, 1, 1, 1, 2, 2, 2, 3, 3, 3],
                   [1, 1, 1, 2, 2, 2, 3, 3, 3, 1, 1, 1, 2, 2, 2, 3, 3, 3, 1, 1, 1, 2, 2, 2, 3, 3, 3]])
print(input2.shape)  # prints (2, 3*9)
out2 = tf.reshape(input2, shape=[-1, 9, 3])

sess = tf.Session()
with sess.as_default():
    print(out1.eval())  # runs out1
    print(out2.eval())  # runs out2

因此，tf.layers.conv1d 的输入 (batch_size=2, width=9, num_channels=3) 应具有以下形状。

[[[x y z]
  [x y z]
  [x y z]
  [x y z]
  [x y z]
  [x y z]
  [x y z]
  [x y z]
  [x y z]]

 [[x y z]
  [x y z]
  [x y z]
  [x y z]
  [x y z]
  [x y z]
  [x y z]
  [x y z]
  [x y z]]]