用于3D张量时间序列输入的二进制分类的Keras神经网络模型

Question

我正在使用keras和tensorflow构建神经网络模型以进行时间序列二进制分类。 这是我的输入的样子，形状为（124,4,591）：

      |      Col 1      |    Col 2        |    Col 3        |    Col 4        |
Row 1 | [x1, ..., x591] | [x1, ..., x591] | [x1, ..., x591] | [x1, ..., x591] |
Row 2 | [x1, ..., x591] | [x1, ..., x591] | [x1, ..., x591] | [x1, ..., x591] |
Row 3 | [x1, ..., x591] | [x1, ..., x591] | [x1, ..., x591] | [x1, ..., x591] |

我将数据分为X_train ， X_test ， y_train和y_test 。 我还使用LabelEncoder()和OneHotEncoder()标签从['True', 'False']编码为[0, 1] 。

x = np.stack((np.vstack(x[:,0]),np.vstack(x[:,1]),np.vstack(x[:,2]),np.vstack(x[:,3])))
x = x.reshape((124,4,591))
y = table_raw_ptpt['Binding Known']
X_train, X_test, y_train, y_test = train_test_split(x, y, test_size = 0.3, random_state = 0)

X_train.shape返回（ X_train.shape ） 。 标签编码：

label_encoder = LabelEncoder()
integer_encoded_train = label_encoder.fit_transform(array(y_train))
integer_encoded_test = label_encoder.fit_transform(array(y_test))

onehot_encoded_y_train = OneHotEncoder(sparse=False)
integer_encoded_train = integer_encoded_train.reshape(len(integer_encoded_train), 1)
onehot_encoded_y_train = onehot_encoded_y_train.fit_transform(integer_encoded_train)

onehot_encoded_y_test = OneHotEncoder(sparse=False)
integer_encoded_test = integer_encoded_test.reshape(len(integer_encoded_test), 1)
onehot_encoded_y_test = onehot_encoded_y_test.fit_transform(integer_encoded_test)

onehot_encoded_y_train.shape返回（ onehot_encoded_y_train.shape ） 。

这是我的NN：

model = Sequential()
model.add(Dense(86, activation='relu', input_shape=(4,591)))
model.add(Dense(43, activation='relu'))
model.add(Dense(20, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

model.compile(loss = 'binary_crossentropy',
              optimizer = 'adam',
              metrics = ['accuracy'])
model.summary()

有用。 但是，当我尝试拟合X_train时，出现错误：

检查目标时出错：预期density_227的形状为（1，），但数组的形状为（2，）

提到的层是输出层。 据我了解，输出形状不正确。 我尝试在层之间使用Flattern() ，甚至尝试了Reshape(1,) 。 但是由于我是初学者，所以我不完全了解为获得所需的输出而必须添加哪些内容以控制NN中的数据形状。

我设法使其与softmax ，但我也需要sigmoid softmax ，以便以后可以进行最终预测（True或False / 1或0）。

谢谢。

Answer 1

问题在于您如何处理地面真实数据y 。 下面的模型与您的真实数据的随机数据的工作，你必须编码y作为一个热带4点的值，并指定这一个热码的地面实况矢量y其必须具有形状（124，4,1）注4 （我在这里使用124个样本）

因此y必须具有4个维度y1, y2, y3, y4 。 下面显示了如何对成对的地面真理逻辑值00, 01, 10,11进行编码并将其分配给4维目标向量y ：

0 0 ->      0001  -> y1=0, y2=0, y3=0, y4=1
0 1 ->      0010  -> y1=0, y2=0, y3=1, y4=0
1 0 ->      0100  -> y1=0, y2=1, y3=0, y4=0
1 1 ->      1000  -> y1=1, y2=0, y3=0, y4=0

可以使用Karnaugh-Veitch映射 （ https://en.wikipedia.org/wiki/Karnaugh_map ）来说明对逻辑值的这种处理，该映射中的每个平方都等效于一个单编码的逻辑值。

您必须编写一个函数，将逻辑值00,01,10,11的组合转换为尺寸为4的单次热编码特征向量 ，如上所述

用这样的y编码，模型可以像

from random import randint
from random import seed
import math
import numpy as np
from keras.models import Sequential
from keras.layers import Dense


# generating random data, replace this with your data

X = np.random.rand(124,4,591)

y = np.random.randint(2,size=(124,4)) # replace this with your ground truth feature vector

y=y.reshape(124,4,1)



# https://stackoverflow.com/questions/44704435/error-when-checking-model-input-expected-lstm-1-input-to-have-3-dimensions-but


model = Sequential()
model.add(Dense(86, activation='relu', input_shape=(4,591)))
model.add(Dense(43, activation='relu'))
model.add(Dense(20, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model.summary()

model.fit(X, y, epochs=1, batch_size=10)

关键是y具有与X相同的第二维，此处为4，这可以通过像上面这样编码基本事实的逻辑值来实现

上面的代码中没有这样做，因为我不知道您的数据，在代码中使用了正确维数的随机数据