CNN的输入形状不兼容

Question

我想训练一个模型，从生理信号中预测一个人的情绪。 我有三个物理信号并将其用作输入功能。

心电图（心电图），gsr（皮肤电反应），温度（温度）

在我的数据集中，每个参与者有312条记录，每条记录中都有18000行数据。 因此，当我将它们组合到一个数据框中时，总共有566000行。

这是我的x_train数据x_train ；

           ecg     gsr   temp
0        0.1912  0.0000  40.10
1        0.3597  0.0000  40.26
2        0.3597  0.0000  40.20
3        0.3597  0.0000  40.20
4        0.3597  0.0000  40.33
5        0.3597  0.0000  40.03
6        0.2739  0.0039  40.13
7        0.1641  0.0031  40.20
8        0.0776  0.0025  40.20
9        0.0005  0.0020  40.26
10      -0.0375  0.0016  40.03
11      -0.0676  0.0013  40.16
12      -0.1071  0.0010  40.20
13      -0.1197  0.0047  40.20
..      .......  ......  .....
..      .......  ......  .....
..      .......  ......  .....
5616000 0.0226  0.1803  38.43

我有6个与情感相对应的课程。 我已经用数字对这些标签进行了编码。

愤怒= 0，平静= 1，厌恶= 2，恐惧= 3，幸福= 4，悲伤= 5

这是我的y_train;

         emotion
0              0
1              0
2              0
3              0
4              0
.              .
.              .
.              .
18001          1
18002          1
18003          1
.              .
.              .
.              .
360001         2
360002         2
360003         2
.              .
.              .
.              .
.              .
5616000        5

为了提供CNN模型，我需要重塑我的火车示例。 我是这样做的；

train_x = train_x.values.reshape(5616000,3,1) #because I have 5616000 rows and 3 input features
train_y = train_y.values.reshape(5616000,1)

重塑后，我创建了CNN模型；

model = Sequential()
model.add(Conv1D(100,700,activation='relu',input_shape=(5616000,3)))
model.add(Conv1D(100,700,activation='relu'))
model.add(MaxPooling1D(4))
model.add(Conv1D(160,700,activation='relu'))
model.add(Conv1D(160,700,activation='relu'))
model.add(GlobalAveragePooling1D())
model.add(Dropout(0.5))
model.add(Dense(1,activation='softmax'))

model.compile(optimizer = sgd, loss = 'binary_crossentropy', metrics = ['acc'])
model.fit(train_x,train_y,epochs = 300, batch_size = 32, validation_split=0.33, shuffle=False)

这给了我以下错误；

ValueError：检查输入时出错：预期conv1d_96_input具有形状（5616000，3），但具有形状（3，1）的数组

无论我尝试了什么，我都无法使它起作用。 任何帮助表示赞赏，谢谢。

Answer 1

问题出在model.add(Conv1D(100,700,activation='relu',input_shape=(5616000,3))) 。 因为这里input_shape为(3,1) ，所以您有3个输入input_shape 。

model.add(Conv1D(100,700,activation='relu',input_shape=(3,1)))

并且您有5616000样本可以用来对您选择的batch_size = 32进行model.fit 。 因此，在每次迭代中，将从5616000中抽取32个样本并进行训练。

更新1

对于您的用例，而不是使用Conv1D ，可以使用Dense ，因为您只有3个功能。 我建议这样做

train_x = train_x.values.reshape(5616000,3) 

对于您的train_y ，您需要预测6个类，因此需要进行一次热编码 。 因此，对于您来说train_y将是

train_y = keras.utils.to_categorical(train_y.values.reshape(5616000,1), num_classes=6)

然后您的模型将是这样的，

model = Sequential()
model.add(InputLayer(input_shape=(3,)))
model.add(Dense(8,activation='relu'))
model.add(Dense(10,activation='relu'))
model.add(Dense(8,activation='relu'))
model.add(Dense(6,activation='softmax'))

您的用例是多类分类，请在这里找到多类和二进制分类之间的区别。 现在模型编译将是，

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

和适合将是相同的

model.fit(train_x,train_y,epochs = 300, batch_size = 32, validation_split=0.33, shuffle=False)

更新2

如果您认为密集层还不够，也可以尝试这样做，因为您必须在Dense层中添加更多的神经元或添加更多隐藏层，这样您将获得更多数量的可训练参数，这可能会有所帮助。 因此，您只有三个功能，在Conv1D ，必须根据不这样选择内核大小，即model.add(Conv1D(100,700,activation='relu',input_shape=(3,1))) 。 我认为它也应该起作用。

model=Sequential()
model.add(InputLayer(input_shape=(3,1)))
model.add(Conv1D(100, 2, activation='relu'))
model.add(Conv1D(100, 2, activation='relu'))
model.add(Conv1D(128, 1, activation='relu'))
model.add(Conv1D(128, 1, activation='relu'))
model.add(Dropout(0.5))
model.add(Flatten())
model.add(Dense(6, activation='softmax'))
model.summary()

Layer (type)                 Output Shape              Param #   
=================================================================
conv1d_1 (Conv1D)            (None, 2, 100)            300       
_________________________________________________________________
conv1d_2 (Conv1D)            (None, 1, 100)            20100     
_________________________________________________________________
conv1d_3 (Conv1D)            (None, 1, 128)            12928     
_________________________________________________________________
conv1d_4 (Conv1D)            (None, 1, 128)            16512     
_________________________________________________________________
dropout_1 (Dropout)          (None, 1, 128)            0         
_________________________________________________________________
flatten_1 (Flatten)          (None, 128)               0         
_________________________________________________________________
dense_1 (Dense)              (None, 6)                 774       
=================================================================
Total params: 50,614
Trainable params: 50,614
Non-trainable params: 0
_________________________________________________________________