一维CNN的输入形状(Keras)

Question

我正在使用Keras构建一个CNN，第一层是以下Conv1D：

cnn.add(Conv1D(
    filters=512,
    kernel_size=3,
    strides=2,
    activation=hyperparameters["activation_fn"],
    kernel_regularizer=getattr(regularizers, hyperparameters["regularization"])(hyperparameters["regularization_rate"]),
    input_shape=(1000, 1),
))

我正在用这个功能训练：

cnn.fit(
    x=train_df["payload"].tolist(),
    y=train_df["label"].tolist(),
    batch_size=hyperparameters["batch_size"],
    epochs=hyperparameters["epochs"],
)

其中，train_df是由两列组成的熊猫数据，其中，每行标签为int (0或1)，有效载荷为带有零/截断长度为1000的浮标。train_df中的训练示例总数为15641。

该模型编译，但在培训期间，我得到了以下错误：

ValueError: Error when checking model input: the list of Numpy arrays that you are passing to your model is not the size the model expected. Expected to see 1 array(s), but instead got the following list of 15641 arrays: [array([[0.09019608],
   [0.01176471],
   [0.01176471],
   [0.        ],
   [0.30196078],
   [0.        ],
   [0.        ],
   [0.        ],
   [0.        ],
   [0....

我查看了this post，并尝试将输入更改为1000个浮动长列表，但最后出现了另一个错误：

ValueError: Error when checking input: expected conv1d_1_input to have 3 dimensions, but got array with shape (15641, 1000)

有什么想法吗？

Answer 1

因此，我将input_shape设置为(1000，1)

我还将输入的输入转换为适合()的单个ndarray (每个ndarray是1000个浮点数的向量，n是样本/向量的总数)，并在读取输入和输入形状的this解释之后，在预处理过程中将每个ndarray重新整形为(1,1000，1)。

输入数据的最终形状是(15641,1000，1)

所有这些都应该适用于验证数据(如果指定的话)。

这解决了我的问题