如何在 Keras 中设置一维卷积和 LSTM

Question

我想在 LSTM 层之后使用 1D-Conv 层来对 16 通道 400 时间步长的信号进行分类。

输入形状由以下部分组成：

• X = (n_samples, n_timesteps, n_features) ，其中n_samples=476 , n_timesteps=400 , n_features=16是信号的样本数、时间步长和特征（或通道）数。

• y = (n_samples, n_timesteps, 1) 。 每个时间步都标有 0 或 1（二元分类）。

我使用1D-Conv提取时间信息，如下图所示。 F=32和K=8是过滤器和 kernel_size。 1D-MaxPooling 在 1D-Conv 之后使用。 32 单元 LSTM 用于信号分类。 该模型应返回y_pred = (n_samples, n_timesteps, 1) 。

代码片段如下所示：

input_layer = Input(shape=(dataset.n_timestep, dataset.n_feature))
conv1 = Conv1D(filters=32,
               kernel_size=8,
               strides=1,
               activation='relu')(input_layer)
pool1 = MaxPooling1D(pool_size=4)(conv1)
lstm1 = LSTM(32)(pool1)
output_layer = Dense(1, activation='sigmoid')(lstm1)
model = Model(inputs=input_layer, outputs=output_layer) 

模型摘要如下所示：

但是，我收到以下错误：

ValueError: Error when checking target: expected dense_15 to have 2 dimensions, but got array with shape (476, 400, 1).

我想问题是形状不正确。 请让我知道如何修复它。

另一个问题是时间步数。 因为input_shape是在 1D-Conv 中赋值的，我们如何让 LSTM 知道 timestep 必须是 400？

---

我想根据@today 的建议添加模型图。 在这种情况下，LSTM 的时间步长将是 98。在这种情况下，我们是否需要使用 TimeDistributed？ 我未能在 Conv1D 中应用 TimeDistributed。

无论如何要执行通道之间的卷积，而不是时间步长？ 例如，过滤器 (2, 1) 遍历每个时间步，如下图所示。

谢谢。

Answer 1

如果你想为每个时间步长预测一个值，我会想到两个略有不同的解决方案：

1）删除MaxPooling1D图层，将padding='same'参数添加到Conv1D图层，并将return_sequence=True参数添加到LSTM，以便LSTM返回每个时间步的输出：

from keras.layers import Input, Dense, LSTM, MaxPooling1D, Conv1D
from keras.models import Model

input_layer = Input(shape=(400, 16))
conv1 = Conv1D(filters=32,
               kernel_size=8,
               strides=1,
               activation='relu',
               padding='same')(input_layer)
lstm1 = LSTM(32, return_sequences=True)(conv1)
output_layer = Dense(1, activation='sigmoid')(lstm1)
model = Model(inputs=input_layer, outputs=output_layer)

model.summary()

模型摘要将是：

Layer (type)                 Output Shape              Param #   
=================================================================
input_4 (InputLayer)         (None, 400, 16)           0         
_________________________________________________________________
conv1d_4 (Conv1D)            (None, 400, 32)           4128      
_________________________________________________________________
lstm_4 (LSTM)                (None, 400, 32)           8320      
_________________________________________________________________
dense_4 (Dense)              (None, 400, 1)            33        
=================================================================
Total params: 12,481
Trainable params: 12,481
Non-trainable params: 0
_________________________________________________________________

2）只需将Dense图层中的单位数更改为400，然后将y重塑为(n_samples, n_timesteps) ：

from keras.layers import Input, Dense, LSTM, MaxPooling1D, Conv1D
from keras.models import Model

input_layer = Input(shape=(400, 16))
conv1 = Conv1D(filters=32,
               kernel_size=8,
               strides=1,
               activation='relu')(input_layer)
pool1 = MaxPooling1D(pool_size=4)(conv1)
lstm1 = LSTM(32)(pool1)
output_layer = Dense(400, activation='sigmoid')(lstm1)
model = Model(inputs=input_layer, outputs=output_layer)

model.summary()

模型摘要将是：

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_6 (InputLayer)         (None, 400, 16)           0         
_________________________________________________________________
conv1d_6 (Conv1D)            (None, 393, 32)           4128      
_________________________________________________________________
max_pooling1d_5 (MaxPooling1 (None, 98, 32)            0         
_________________________________________________________________
lstm_6 (LSTM)                (None, 32)                8320      
_________________________________________________________________
dense_6 (Dense)              (None, 400)               13200     
=================================================================
Total params: 25,648
Trainable params: 25,648
Non-trainable params: 0
_________________________________________________________________

不要忘记，在这两种情况下，您都必须使用'binary_crossentropy' （而不是'categorical_crossentropy' ）作为损失函数。 我希望这个解决方案的准确度低于解决方案＃1; 但您必须尝试两者并尝试更改参数，因为它完全取决于您尝试解决的具体问题以及您拥有的数据的性质。

---

更新：

您要求的卷积层仅覆盖一个时间步长和k个相邻要素。 是的，你可以使用Conv2D层来做到这一点：

# first add an axis to your data
X = np.expand_dims(X)   # now X has a shape of (n_samples, n_timesteps, n_feats, 1)

# adjust input layer shape ...
conv2 = Conv2D(n_filters, (1, k), ...)   # covers one timestep and k features
# adjust other layers according to the output of convolution layer...

虽然我不知道你为什么要这样做，但是为了使用卷积层的输出（即(?, n_timesteps, n_features, n_filters) ，一种解决方案是使用包裹在TimeDistributed层内的LSTM层。或者另一种解决方案。解决方案是压扁最后两个轴。

Answer 2

输入和输出形状是（476,400,16）和（476,1） - 这意味着它只是每个完整序列输出一个值。

你的LSTM没有撤回序列（return_sequences = False）。 但即使你在LSTM之前进行Conv1D和MaxPooling也会挤压输入。 所以LSTM本身将获得（98,32）的样本。

我假设你想为每个输入步骤输出一个输出。

假设Conv1D和MaxPooling对于输入数据是相关的，您可以尝试seq到seq方法，其中您将第一个N / W的输出提供给另一个网络以获得400个输出。

我建议你看一下像编码器解码器seq2seq网络这样的模型，如下所示

https://blog.keras.io/a-ten-minute-introduction-to-sequence-to-sequence-learning-in-keras.html

https://machinelearningmastery.com/define-encoder-decoder-sequence-sequence-model-neural-machine-translation-keras/

Answer 3

我需要一些关于深度学习时间序列预测模型的帮助，我做了一个预测，但在我执行时它没有出现在图表中。 戈弗雷