如何创建多维矩阵作为神经网络的输入？

Question

我正在尝试创建一个具有多维输入矩阵的神经网络。 输入的大小可以是 2x7、8x7 或任何具有 7 列的此类尺寸。 （此输入用于如下所示的 for 循环结构）

我的问题是，如何创建一个训练 DataFrame 可以包含多个具有不同维度的此类矩阵来馈送神经网络？ 我尝试在每个矩阵的 for 循环上训练 model，但应该有一些更合适的方法来创建这样的数据集。

注意：我正在尝试获得具有所有这些不同维度矩阵的单个输入，并且可以轻松地将 map 转换为它们各自的输出。 所以输入应该看起来像 (a, b, 7) 其中a是具有不同行长的矩阵的数据点数， b是该特定矩阵中的行数，7 是所有矩阵中的列数.

该数据是用户按时间创建的时间序列数据的示例。 所以我需要保持每一行单个矩阵的顺序。 output 将在用户下次创建新行时生成。 请理解，这个问题的重点不是 model，而是如何为 model 表示这个数据。

这是我的 model 的代码：

model.add(Lambda(lambda x: tf.expand_dims(x, axis=1), input_shape=[7]))
model.add(Dense(2048, activation='tanh'))
model.add(Dense(1024, activation='tanh'))
model.add(Dense(512, activation='tanh'))
model.add(Dense(216, activation='tanh'))
model.add(Flatten())
model.add(Dense(128, activation='tanh'))
model.add(Dense(7, activation='tanh'))
model.summary()

我适合 model 的循环如下所示：

for user_id in user_ids:
    df = dailytable[dailytable['user_id']==user_id]
    if df.shape[0] > 3:
        X = df.iloc[:-1, :]
        Y = df.iloc[-1, :]
        Y = tf.reshape(Y, (1, 7))
        if len(X.axes[0].tolist()) > 3:
            model.fit(X, Y, epochs=5, steps_per_epoch=1)

我想创建一些包含我所有矩阵的数据结构。 它看起来像一个 3 维矩阵。 如上所述，所有这些矩阵都有不同的输入形状。 但是具有相同的 output 即 1x7。 我不想使用循环结构，而是想在训练开始时传递一个输入。

Answer 1

对任何时间序列进行建模都有同样的问题。 你应该看看 CNN 或 RNN，因为它们承认可变维度。 在 CNN 的情况下，您可以有 7 个通道和可变长度的输入。

使用完全连接的层，您有一个固定形状的输入。 因此，您要么应用零填充来满足已经建议的最大大小，要么将窗口移位信号用作输入（这是 CNN 所做的）。