![](/img/trans.png)
[英]Adding visualization for every layer activation layer of Convolution Network - Keras
[英]Adding convolution layer in keras giving errors
我有一个包含两个类并具有400个特征的数据集。 每个要素都是一个浮点数。 我正在尝试在keras中构建基本的CNN,但遇到以下错误。 我已经检查了其他解决方案,但是这些解决方案要求将训练数据重塑为(batch_size, steps, input_dim)
。 我认为这不是有效的解决方案。
我的代码和错误消息发布在下面。
model = Sequential()
model.add(Dense(200, input_dim=400, init='glorot_uniform', activation='relu'))
model.add(Conv1D(100,
4,
padding='valid',
activation='relu',
strides=1))
model.add(GlobalMaxPooling1D())
model.add(Dense(50))
model.add(Activation('relu'))
model.add(Dense(1))
model.add(Activation('sigmoid'))
sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True)
model.compile(loss='binary_crossentropy', optimizer=sgd, metrics=['accuracy'])
return model
错误信息:
Traceback (most recent call last):
File "train_CNN.py", line 61, in <module>
model = create_baseline()
File "train_CNN.py", line 44, in create_baseline
strides=1))
File "/users/prateek.n/.local/lib/python2.7/site-packages/keras/models.py", li ne 469, in add
output_tensor = layer(self.outputs[0])
File "/users/prateek.n/.local/lib/python2.7/site-packages/keras/engine/topolog y.py", line 552, in __call__
self.assert_input_compatibility(inputs)
File "/users/prateek.n/.local/lib/python2.7/site-packages/keras/engine/topolog y.py", line 451, in assert_input_compatibility
str(K.ndim(x)))
ValueError: Input 0 is incompatible with layer conv1d_1: expected ndim=3, found ndim=2
因此, Conv1D
需要形状的3维输入(batch_size, timesteps, features)
。 来自第一Dense
层的输出具有形状(batch_size, 200)
。 如果要将这200个功能解释为一项功能的200个时间步长,则可以简单地执行以下操作:
model = Sequential()
model.add(Dense(200, input_dim=400, init='glorot_uniform', activation='relu'))
model.add(Reshape((200, 1))
model.add(Conv1D(100,
4,
padding='valid',
activation='relu',
strides=1))
如果要将输入解释为时间序列,还可以:
model = Sequential()
model.add(Dense(200, input_shape=(400, 1), init='glorot_uniform', activation='relu'))
model.add(Conv1D(100,
4,
padding='valid',
activation='relu',
strides=1))
并调整输入数据的形状以使其具有有效的形状。 在这种情况下,您的输入将被解释为一个要素的400个时间步长,并且第一个Dense
层会将您的数据转换为形状(batch_size, 400, 200)
因为Keras> 2.0中的Dense
被独立应用于时间序列的每个元素。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.