correc 二维卷积层的输入，给定带有标签的空间数据

Question

所以我正在做一个项目，我想训练一个神经网络来为 3d 空间中的点分配标签。

我的输入是氨基酸的α碳痕迹，我的标签是它的二级结构标签，例如。 3班。

我的数据一模一样：2945个训练样例，每个长度748，对应748个连续碳，每个有3个特征，即xyz坐标。 所以 X 形状是(2945, 748, 3)而 Y 形状是(2945, 748)因为它有 2945 个例子，每个例子有 748 个标签，每个碳依次排列。

我想专门使用卷积层，正如我在几篇论文中读到的那样，它们擅长空间依赖性，并且在这样的问题上做得很好，只是我无法在那里获得过去的维度。

我已经扩展了暗淡： X_train = np.expand_dims(X_train,1)得到None, 1, 748, 3原样（我认为）：（ ( batch, height, width, channels)还是我完全错过了这里的重点?
后面会指定batch，height是1，example的width是748，channels是3？ 作为它的xyz

input_shape = (1, 748, 3)
model = Sequential(
[
    Input(shape = input_shape ),
    Conv2D(filters=16, kernel_size=9, padding='same',
           activation = tf.nn.relu),
    Dense(4, activation='softmax')
]

) model.summary()

model总结：

Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
conv2d (Conv2D)              (None, 1, 748, 16)        64        
_________________________________________________________________
dense (Dense)                (None, 1, 748, 3)         51        
=================================================================
Total params: 115
Trainable params: 115
Non-trainable params: 0

和 ofc 错误： ValueError: Shapes (None, 1, 748) and (None, 1, 748, 3) are incompatible ,

我知道它可以与 1 个单元密集层一起使用，但如果维度为 1，我还能获得 3 个状态的分类吗？ 应该。

我的想法对吗？ 还是有误解？

我将非常感谢任何建议。 提前致谢。

好的，我对我的标签进行了 one_hot 编码，并使用以下方法扩展了维度一：

np.expand_dims(Y, 1)

达到的尺寸：

Y train shape: (2356, 1, 748, 4)
Y test shape: (589, 1, 748, 4)

用 4 个单位添加到 Dense 中的内容与尺寸相匹配，

Answer 1

工作代码片段

import tensorflow as tf
import numpy as np
from tensorflow.keras import datasets
import tensorflow.keras as keras

X_train = np.random.random((2356,1,748,3))
y_train = np.random.random((2356, 1, 748, 4))

dataset = tf.data.Dataset.from_tensor_slices((X_train, y_train))
train_data = dataset.shuffle(len(X_train)).batch(32)
train_data = train_data.prefetch(
        buffer_size=tf.data.experimental.AUTOTUNE)

input_shape = (1, 748, 3)
model = tf.keras.Sequential(
[
    keras.Input(shape = input_shape ),
    keras.layers.Conv2D(filters=16, kernel_size=9, padding='same',
           activation = tf.nn.relu),
    keras.layers.Dense(4, activation='softmax')
])

model.summary()

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

model.fit(X_train, y_train, epochs=5, batch_size=5, verbose=1)

Output

Model: "sequential_10"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 conv2d_10 (Conv2D)          (None, 1, 748, 16)        3904      
                                                                 
 dense_10 (Dense)            (None, 1, 748, 4)         68        
                                                                 
=================================================================
Total params: 3,972
Trainable params: 3,972
Non-trainable params: 0
_________________________________________________________________
Epoch 1/5
472/472 [==============================] - 4s 5ms/step - loss: 3.4528 - accuracy: 0.2508
Epoch 2/5
472/472 [==============================] - 2s 4ms/step - loss: 3.8109 - accuracy: 0.2506
Epoch 3/5
472/472 [==============================] - 2s 5ms/step - loss: 3.8099 - accuracy: 0.2507
Epoch 4/5
472/472 [==============================] - 2s 5ms/step - loss: 3.8021 - accuracy: 0.2506
Epoch 5/5
472/472 [==============================] - 3s 5ms/step - loss: 3.7919 - accuracy: 0.2507
<keras.callbacks.History at 0x7f55c00dc550>