如何将二维数组重塑为神经网络的 3d 数组

Question

我有一个数据集，我在其中应用train_test_split 。 X的形状：

print(X_train.shape)
print(X_test.shape)

Output：

(1945, 10000)
(487, 10000)

由于 X 是 numpy 数组，因此需要将其转换为图像（3D），以便稍后应用神经网络。 于是，我申请了：

X_train_3d = X_train.reshape(X_train.shape[0],100,100).astype('float32')    # X_train.shape[1] = 10000 ; 
                                                                            # where 10000 = 100*100;
X_test_3d = X_test.reshape(X_test.shape[0],100,100).astype('float32')

print(X_train_3d.shape)
print(X_test_3d.shape)

所以，我得到了我的预期结果：

(1945, 100, 100)
(487, 100, 100)

我这样构建神经网络：

model = keras.Sequential([
    keras.layers.Flatten(input_shape=(100, 100)),  # width, height of image 100,100
    keras.layers.Dense(128, activation='relu'),
    keras.layers.Dense(39)  # total number of target = 39
])

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

model.fit(X_train_3d, y_train, epochs=10)

现在，我正在使用数据集并尝试应用类似的逻辑。 拆分后：

print(X_train.shape)
print(X_test.shape)

Output：

(1945, 1800)
(487, 1800)

现在，我不明白如何定义重塑，如：

X_train_3d = X_train.reshape(X_train.shape[0],?,?).astype('float32')    

因为 1800 的平方根不是 integer。 如何将其转换为 3d，以便我能够像以前一样构建神经网络。

Answer 1

进行此运行的唯一方法是没有 CNN。 然后，你就不必重塑。 推测性重塑只会产生随机像素。

import numpy as np
import tensorflow as tf
from tensorflow.keras.layers import Dense
from tensorflow.keras.models import Sequential

X = np.random.randint(0, 256, (1945, 1800)) # fake data
y = np.random.randint(0, 38, 1945)

model = Sequential([
            Dense(128, activation='relu', input_shape=(1800,)),
            Dense(39)])

model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(
              from_logits=True), metrics=['accuracy'])

hist = model.fit(X, y, epochs=10)

理想情况下，你会修复你的数据，然后你可以运行一个 CNN，这是最好的 model。 CNN 保持像素之间的 2D 关系，所以它会很棒，但是如果你不知道正确的形状，你的像素之间就没有关系。