Conv1D在Keras中的形状误差

Question

在带有Keras的序贯神经网络中，使用Conv1D作为输入层是有困难的。这是我的代码：

import numpy as np    
from keras.layers.convolutional import Conv1D    
from keras.models import Sequential    
from keras.optimizers import Adam    

conv1d = Conv1D(input_shape=(None, 16), kernel_size=2, filters=2)    

model = Sequential()    
model.add(conv1d)    
model.compile(loss="logcosh", optimizer=Adam(lr=0.001))    

x_train = np.zeros((32, 16, 1))    
y_train = np.zeros((32, 16, 1))    

print(x_train.shape)    

model.fit(x_train, y_train, batch_size=4, epochs=20)     

这是错误。我尝试过多种方法，但它们都没有帮助我解决这个问题。

ValueError:检查输入时出错:期望conv1d_47_input具有形状(无，16)，但是得到了形状(16，1)的数组

Answer 1

Conv1D期望输入具有(batch_size, steps, input_dim)形状。

根据你训练数据的形状，你的最大长度为16，输入维数仅为1。这就是你所需要的吗？

如果是这样，则可以将输入形状指定为(16, 1) (长度始终为16)或(None, 1) (动态长度)。

如果您打算定义长度为1和维数为16的序列，则需要不同形状的训练数据：

x_train = np.zeros((32, 1, 16))
y_train = np.zeros((32, 1, 16))

Answer 2

我设法找到了一种使用扁平函数和密集层的解决方案，它起了作用。

import numpy as np
from keras.layers.convolutional import Conv1D
from keras.models import Sequential
from keras.optimizers import Adam
from keras.layers import Conv1D, Dense, MaxPool1D, Flatten, Input

conv1d = Conv1D(input_shape=(16,1), kernel_size=2, filters=2)

model = Sequential()
model.add(conv1d)
model.add(Flatten())
model.add(Dense(16))

model.compile(optimizer=optimizer,loss="cosine_proximity",metrics=["accuracy"])

x_train = np.zeros((32,16,1))
y_train = np.zeros((32,16))

print(x_train.shape)
print()

model.fit(x_train, y_train, batch_size=4, epochs=20)