keras cnn_lstm输入层不接受1-D输入

Question

我有一些长1d向量（3000位）的序列，我试图分类。 我之前已经实现了一个简单的CNN来对它们进行相对成功的分类：

def create_shallow_model(shape,repeat_length,stride):
    model = Sequential()
    model.add(Conv1D(75,repeat_length,strides=stride,padding='same', input_shape=shape, activation='relu'))
    model.add(MaxPooling1D(repeat_length))
    model.add(Flatten())
    model.add(Dense(1, activation='sigmoid'))
    model.compile(loss='binary_crossentropy', optimizer='rmsprop', metrics=['accuracy'])
    return model

但是，我希望通过在网络末端堆叠LSTM / RNN来提高性能。

我对此有困难，因为我似乎找不到网络接受数据的方法。

def cnn_lstm(shape,repeat_length,stride):
    model = Sequential()
    model.add(TimeDistributed(Conv1D(75,repeat_length,strides=stride,padding='same', activation='relu'),input_shape=(None,)+shape))
    model.add(TimeDistributed(MaxPooling1D(repeat_length)))
    model.add(TimeDistributed(Flatten()))
    model.add(LSTM(6,return_sequences=True))
    model.add(Dense(1,activation='sigmoid'))
    model.compile(loss='sparse_categorical_crossentropy', optimizer='rmsprop', metrics=['accuracy'])
    return model

model=cnn_lstm(X.shape[1:],1000,1)
tprs,aucs=calculate_roc(model,3,100,train_X,train_y,test_X,test_y,tprs,aucs)

但是我收到以下错误：

ValueError: Error when checking input: expected time_distributed_4_input to have 4 dimensions, but got array with shape (50598, 3000, 1)

我的问题是：

1. 这是分析这些数据的正确方法吗？

2. 如果是这样，我如何让网络接受输入序列并对其进行分类？

Answer 1

无需添加那些TimeDistributed包装器。 目前，在添加LSTM图层之前，您的模型看起来像这样（我假设repeat_length=5且stride=1 ）：

Layer (type)                 Output Shape              Param #   
=================================================================
conv1d_2 (Conv1D)            (None, 3000, 75)          450       
_________________________________________________________________
max_pooling1d_1 (MaxPooling1 (None, 600, 75)           0         
_________________________________________________________________
flatten_2 (Flatten)          (None, 45000)             0         
_________________________________________________________________
dense_4 (Dense)              (None, 1)                 45001     
=================================================================
Total params: 45,451
Trainable params: 45,451
Non-trainable params: 0
_________________________________________________________________

因此，如果要添加LSTM图层，可以将其放在MaxPooling1D图层之后，如model.add(LSTM(16, activation='relu'))然后删除展Flatten图层。 现在模型看起来像这样：

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv1d_4 (Conv1D)            (None, 3000, 75)          450       
_________________________________________________________________
max_pooling1d_3 (MaxPooling1 (None, 600, 75)           0         
_________________________________________________________________
lstm_1 (LSTM)                (None, 16)                5888      
_________________________________________________________________
dense_5 (Dense)              (None, 1)                 17        
=================================================================
Total params: 6,355
Trainable params: 6,355
Non-trainable params: 0
_________________________________________________________________

如果需要，可以将return_sequences=True参数传递给LSTM图层并保留Flatten图层。 但是只有在尝试第一种方法并且结果不佳之后才做这样的事情，因为添加return_sequences=True可能根本不需要，它只会增加模型大小并降低模型性能。

---

作为旁注：为什么在第二个模型中将损失函数更改为sparse_categorical_crossentropy ？ 没有必要这样做，因为binary_crossentropy可以正常工作。