使用conv1D时输入数据和训练数据之间的尺寸不匹配

debugcn 发表于 Dev

巴德尔

我尝试使用Conv1D构建我的第一个CNN，因为我处理时间序列数据。我的目标是对1501形状的input_data进行压缩。x_train的形状为（550，1501），我增加了它的尺寸以适合模型。

但是，编译器抱怨：

ValueError：传递形状为（550，1501，1）的目标数组以输出形状为（None，1500，1）的输出，同时用作损失mean_squared_error。这种损失期望目标与输出具有相同的形状。

这是代码

import numpy as np
from tensorflow.keras.layers import Input,Dense, Conv1D, MaxPooling1D, UpSampling1D, Flatten, Input
from tensorflow.keras import optimizers, Model
import matplotlib.pyplot as plt
from tensorflow.keras import backend as K

#(1,128,1)
input_data = Input(shape=(1501,1))
fil_ord = 3
# Eecode
encode  = Conv1D(2000,  fil_ord, activation='relu', padding='same')input_data) 
encode = MaxPooling1D( 2 )(encode)
encode = Conv1D(750,   fil_ord, activation='relu', padding='same')(encode)

# Decode

decode  = Conv1D(750,  fil_ord, activation='relu', padding='same')(encode)
decode = UpSampling1D( 2)(decode)
decode = Conv1D(1,   fil_ord, activation='sigmoid', padding='same')(decode)


model = Model(input_data, decode)


model.summary()

from numpy import zeros, newaxis
x_train1=x_train[:,:,None]

batch_size = 128
epochs = 10
# Optimizer
sgd = optimizers.Adam(lr=0.001)

# compile
model.compile(loss='mse', optimizer=sgd)
# train
history = model.fit(x_train1, x_train1, batch_size=batch_size, epochs=epochs, verbose=2,shuffle=True)

model.summary（）输出：

巴拉吉·阿什瓦特（Balraj Ashwath）

误差在于的decode输出尺寸axis=1，即1500与的目标x_train1尺寸不同1501。

这是由于发生在此链的MAX-池和上采样操作：1501 -> 750 -> 1500其中MaxPooling1D忽略尺寸的同时下采样，并输出一个附加元件具有750在axis=1不能从上采样与操作回收其中UpSampling1D。

因此，目标（x_train1）和预测（decode）输出的形状不同，因此我们无法计算损失。

可以用来解决此问题的两种方法是：

裁剪目标x_train尺寸axis=1以匹配目标尺寸decode，即1500。这是执行此操作的一种方法：history = model.fit(x_train1, x_train1[:,:-1,], batch_size=batch_size, ...)
decode用（say）填充从中获得的输出0，以匹配的尺寸x_train，即1501。一种方法是在以下位置使用ZeroPadding2D层decode：ZeroPadding2D(padding=((0,0),(0,1),(0,0)))(decode)