如何在 keras python 中构建一维卷积神经网络？

Question

我正在使用 CNN 解决分类问题。 我有 data.csv 文件（15000 个样本/行和 271 列），其中第一列是类标签（共 4 个类），其他 270 列是特征（6 个不同的长度为 45 的信号串联，即 6X45=270）。

问题：我想提供长度为 270 的单个样本作为向量（6 X 45，所有 6 个信号都有不同的含义），但是在卷积中将单个样本重新整形为（6 行，45 列）时，我在维度上出现错误。
我的CNN模型：

X, y = load_data()   
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
num_classes = 4

X_train = X_train.reshape(X_train.shape[0], 6, 45).astype('float32')
X_test = X_test.reshape(X_test.shape[0], 6, 45).astype('float32') 

model = Sequential()
model.add(Conv1D(filters=32, kernel_size=5, input_shape=(6, 45)))
model.add(MaxPooling1D(pool_size=5 ))
model.add(Flatten())
model.add(Dense(1000, activation='relu'))
model.add(Dense(num_classes, activation='softmax'))  

如何重塑我的数据，CNN 将每个样本视为 6 个长度为 45 的信号并与窗口 5 的核卷积。

Answer 1

您需要重塑您的数据，例如

X_train.reshape(num_of_examples, num_of_features, num_of_signals)

并将模型中的input_shape更改为(45, 6) 。 请参阅下面的示例代码，

X = np.random.randn(4000,270)
y = np.ones((4000,1))
y[0:999] = 2
y[1000:1999] = 3
y[2000:2999] = 0

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
num_classes = 4

X_train = X_train.reshape(X_train.shape[0], 45, 6).astype('float32')
X_test = X_test.reshape(X_test.shape[0], 45, 6).astype('float32') 

model = Sequential()
model.add(Conv1D(filters=32, kernel_size=5, input_shape=(45, 6)))
model.add(MaxPooling1D(pool_size=5 ))
model.add(Flatten())
model.add(Dense(1000, activation='relu'))
model.add(Dense(num_classes, activation='softmax'))

Answer 2

input_shape参数指定每个输入“批次”的形状。 对于您的示例，它具有以下形式：（ (steps, channels) steps是每个通道上的观察数， channels是信号的数量。 实际运行时

model.fit(X,Y)

X的形式为(batch, steps, channels) ，每个批次都是对数据的每次观察。 为此使用 3 维numpy数据框。

numpy.vstack()可能会派上用场