将3D数据拟合为Keras顺序模型层的输入

Question

我是机器学习和Keras领域的新手。 实际上，我曾与scikit-learn合作，但Keras似乎有点复杂。 我的问题是我有一些3D数据，并希望将其适合于Dense层（我也尝试过使用Conv2D和Conv1D层）。 我所做的如下：

arr1 = np.random.random((30,2))
arr2 = np.random.random((30,2))
arr3 = np.random.random((30,2))
arr4 = np.random.random((30,2))
arr5 = np.random.random((30,2))
arr6 = np.random.random((30,2))

x_matrix = np.dstack(
    (arr1
    ,arr2
    ,arr3
    ,arr4
    ,arr5
    ,arr6)
).swapaxes(1,2)
print(x_matrix.shape)

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(x_matrix, y_matrix, test_size=0.33, random_state=42)

from keras.models import Sequential
model = Sequential()

from keras.layers import Dense, Conv2D, Conv1D, Flatten

model = Sequential()

model.add(Dense(6, activation='sigmoid', input_shape=(6,2)))

model.compile(loss='categorical_crossentropy',
              optimizer='sgd',
              metrics=['accuracy'])

model.fit(np.array(X_train), np.array(y_train), epochs=20, batch_size=1)#
score = model.evaluate(X_test, y_test)

print(score)

我在合适的步骤遇到了错误。 错误如下：

ValueError: Error when checking target: expected dense_1 to have 3 dimensions, but got array with shape (20, 2)

对于Conv1D层，我尝试了以下方法：

model.add(Conv1D(6, (2),  activation='sigmoid', input_shape=(6 ,2)))

并提出了错误：

ValueError: Error when checking target: expected conv1d_1 to have 3 dimensions, but got array with shape (20, 2)

Conv2D似乎更复杂，我可能不需要此作为我的输入层，但是通过下面的调用，我仍然遇到相同的错误。

model.add(Conv2D(6, (2,2),  activation='sigmoid', input_shape=(20,6 ,2)))

ValueError: Error when checking input: expected conv2d_1_input to have 4 dimensions, but got array with shape (20, 6, 2)

我要问的是：如何使用Keras将这样的数据拟合到神经网络中？

Answer 1

首先，您必须了解您的数据是什么以及您想如何使用它。

然后，您决定如何调整数据的形状以及使用哪些图层。

但是，有一些重要的约定：

• 数据中的第一维是“样本/示例”的数量。 自创建形状(30,6,2)以来，您决定拥有30个样本，每个样本都具有形状(6,2) －这就是为什么了解数据和要执行的操作很重要的原因。
• X和Y必须具有相同数量的样本。 因此，如果X中有30个样本，那么Y中也肯定也有30个样本，但是似乎您的数据认为它有20个样本。 在消息中看到target形状： (20,2) <-这是Y的形状。
• 其他尺寸是免费的，但是：
  • 密集层将仅在最后一个维度上起作用，而其他维度则保持不变：输出形状为(30,6,units)
  • Conv1D层将3D输入解释为：（ (samples, length, input_channels) ，输出形状为(samples, modified_length, filters) 。
  • Conv2D图层需要4D输入：（ (samples, width, heigth, input_channels) ，并将输出(samples, modified_width, modified_height, filters)
• 模型的输出形状必须与Y的形状匹配。在这里，再次，您必须了解Y是什么，并确保您准备好与之匹配的模型。
• 如果在模型中的某些时候，你需要让你的3D数据成为2D，你需要使用一个Flatten ，一个Reshape ，一个GlobalMaxPooling1D或GlobalAveragePooling1D层。

提示：使用model.summary()查看每一层的输出形状以及最终的输出形状。

提示2：首先明确定义数据和目标，然后定义X和Y的形状，然后定义模型的形状。