真的很难理解keras中的卷积1d层的输入尺寸：
输入形状
具有以下形状的3D张量：（样本，步长，input_dim）。
输出形状
具有以下形状的3D张量：（样本，new_steps，nb_filter）。steps值可能由于填充而发生了变化。
我希望我的网络输入一个时间序列的价格（顺序为101）并输出4个概率。我目前运行良好的非卷积网络（训练集为28000）如下所示：
standardModel = Sequential()
standardModel.add(Dense(input_dim=101, output_dim=100, W_regularizer=l2(0.5), activation='sigmoid'))
standardModel.add(Dense(4, W_regularizer=l2(0.7), activation='softmax'))
为了改善这一点，我想从输入层制作一个特征图，该特征图的长度为10。（因此具有10个共享权重和1个共享偏差）。然后，我想使用最大池化并将其馈入40个左右神经元的隐藏层，然后在外层将其与4个具有softmax的神经元一起输出。
因此，理想情况下，卷积层将采用2d张量的维数：
（minibatch_size，101）
并输出尺寸的3d张量
（minibatch_size，91，no_of_featuremaps）
但是，keras层似乎在称为step的输入中需要一个尺寸。我试过了解这一点，但仍然不太了解。在我的情况下，应该将步长设为1，因为向量中的每个步长都会使时间增加1？另外，什么是new_step？
另外，如何将池化层（3d张量）的输出转换为适合2d张量形式的标准隐藏层（即Dense keras层）的输入？
更新：在给出了非常有用的建议之后，我尝试制作一个像这样的卷积网络：
conv = Sequential()
conv.add(Convolution1D(64, 10, input_shape=(1,101)))
conv.add(Activation('relu'))
conv.add(MaxPooling1D(2))
conv.add(Flatten())
conv.add(Dense(10))
conv.add(Activation('tanh'))
conv.add(Dense(4))
conv.add(Activation('softmax'))
行conv.Add（Flatten（））抛出一个超出有效范围错误的范围。有趣的是，不仅此代码不会引发此错误：
conv = Sequential()
conv.add(Convolution1D(64, 10, input_shape=(1,101)))
conv.add(Activation('relu'))
conv.add(MaxPooling1D(2))
conv.add(Flatten())
正在做
print conv.input_shape
print conv.output_shape
结果是
(None, 1, 101
(None, -256)
被退回
更新2：
已变更
conv.add(Convolution1D(64, 10, input_shape=(1,101)))
到
conv.add(Convolution1D(10, 10, input_shape=(101,1))
它开始工作。但是，将（None，101，1）输入到1d转换层或（None，1，101）是我应该注意的重要区别吗？为什么（None，1，101）不起作用？
之所以如此，是因为Keras设计者打算将一维卷积框架解释为处理序列的框架。要完全理解它们之间的差异，请尝试想象您具有多个特征向量的序列。然后，您的输出将至少是二维的-第一个维度与时间有关，而其他维度与要素有关。一维卷积框架旨在以某种方式将此时间维加粗，并尝试在数据中找到重复出现的模式-而不是执行经典的多维卷积变换。
在您的情况下，您必须简单地重塑数据以使其具有形状（dataset_size，101，1）-因为您只有一个功能。使用numpy.reshape函数可以很容易地做到这一点。要了解新步骤的含义-您必须了解您正在随着时间进行卷积-因此您更改了数据的时间结构-这导致了新的时间连接结构。为了使您的数据成为适合密集/静态图层的格式，请使用keras.layers.flatten图层-与经典卷积情况相同。
更新：正如我之前提到的那样，输入的第一个维度与时间有关。因此，(1, 101)和之间的区别(101, 1)在于，在第一种情况下，您有一个具有101个功能部件的时间步，而在第二种情况下，您有一个具有1个功能部件的101个时间步。您第一次更改后提到的问题的起因是在此类输入上进行大小为2的合并。只有一个时间步长-您不能在大小为2的时间窗口中合并任何值-仅仅是因为没有足够的时间步长来做到这一点。
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句