如何用角角建立三维输入/三维输出卷积模型？

Question

我有个小问题我解决不了。

我想实现CNN模型，完全连接MLP到我的蛋白质数据库，其中有2589个蛋白质。每个蛋白质有1287行和69列作为输入，1287行和8列作为输出。实际上有1287x1输出，但我在模型中使用了类标签的热编码来使用交叉熵损失。

还有我想要

如果把输入**的三维矩阵** X_train =(2589,1287，69)和y_train = (2589,1287，8)输出考虑为图像，则输出也是矩阵。

下面是我的克拉斯代码：

model = Sequential()
model.add(Conv2D(64, kernel_size=3, activation="relu", input_shape=(X_train.shape[1],X_train.shape[2])))
model.add(Conv2D(32, kernel_size=3, activation="relu"))
model.add(Flatten())
model.add(Dense((8), activation="softmax"))

但是我遇到了关于稠密层的错误：

ValueError: Error when checking target: expected dense_1 to have 2 dimensions, but got array with shape (2589, 1287, 8)

好的，我知道稠密应该是正整数单位(用Keras解释)。)。但是我如何实现矩阵输出到我的模型呢？

我试过了：

model.add(Dense((1287,8), activation="softmax"))

但我找不到任何解决办法。

非常感谢。

Answer 1

Conv2D层需要(batch_size, height, width, channels)的输入形状。这意味着每个样本都是一个3D数组。

您的实际输入是(2589, 1287, 8)，这意味着每个示例都是形状(1289, 8) --一个2D形状。因此，您应该使用Conv1D而不是Conv2D。

其次，您需要(2589, 1287, 8)的输出。因为每个样本都是2D形状，所以输入Flatten()是没有意义的-- Flatten()会将每个样本的形状减少到1D，并且您希望每个样本都是2D的。

最后，取决于您的Conv层的填充，形状可能会根据kernel_size发生变化。由于您希望保留1287的中间维度，所以使用padding='same'来保持大小不变。

from keras.models import Sequential
from keras.layers import Conv1D, Flatten, Dense
import numpy as np

X_train = np.random.rand(2589, 1287, 69)
y_train = np.random.rand(2589, 1287, 8)


model = Sequential()
model.add(Conv1D(64, 
                 kernel_size=3, 
                 activation="relu", 
                 padding='same',
                 input_shape=(X_train.shape[1],X_train.shape[2])))
model.add(Conv1D(32, 
                 kernel_size=3, 
                 activation="relu",
                 padding='same'))
model.add(Dense((8), activation="softmax"))

model.summary()
model.compile(loss='categorical_crossentropy', optimizer='adam')
model.fit(X_train, y_train)