將3D數據擬合為Keras順序模型層的輸入

Question

我是機器學習和Keras領域的新手。 實際上，我曾與scikit-learn合作，但Keras似乎有點復雜。 我的問題是我有一些3D數據，並希望將其適合於Dense層（我也嘗試過使用Conv2D和Conv1D層）。 我所做的如下：

arr1 = np.random.random((30,2))
arr2 = np.random.random((30,2))
arr3 = np.random.random((30,2))
arr4 = np.random.random((30,2))
arr5 = np.random.random((30,2))
arr6 = np.random.random((30,2))

x_matrix = np.dstack(
    (arr1
    ,arr2
    ,arr3
    ,arr4
    ,arr5
    ,arr6)
).swapaxes(1,2)
print(x_matrix.shape)

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(x_matrix, y_matrix, test_size=0.33, random_state=42)

from keras.models import Sequential
model = Sequential()

from keras.layers import Dense, Conv2D, Conv1D, Flatten

model = Sequential()

model.add(Dense(6, activation='sigmoid', input_shape=(6,2)))

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

model.fit(np.array(X_train), np.array(y_train), epochs=20, batch_size=1)#
score = model.evaluate(X_test, y_test)

print(score)

我在合適的步驟遇到了錯誤。 錯誤如下：

ValueError: Error when checking target: expected dense_1 to have 3 dimensions, but got array with shape (20, 2)

對於Conv1D層，我嘗試了以下方法：

model.add(Conv1D(6, (2),  activation='sigmoid', input_shape=(6 ,2)))

並提出了錯誤：

ValueError: Error when checking target: expected conv1d_1 to have 3 dimensions, but got array with shape (20, 2)

Conv2D似乎更復雜，我可能不需要此作為我的輸入層，但是通過下面的調用，我仍然遇到相同的錯誤。

model.add(Conv2D(6, (2,2),  activation='sigmoid', input_shape=(20,6 ,2)))

ValueError: Error when checking input: expected conv2d_1_input to have 4 dimensions, but got array with shape (20, 6, 2)

我要問的是：如何使用Keras將這樣的數據擬合到神經網絡中？

Answer 1

首先，您必須了解您的數據是什么以及您想如何使用它。

然后，您決定如何調整數據的形狀以及使用哪些圖層。

但是，有一些重要的約定：

• 數據中的第一維是“樣本/示例”的數量。 自創建形狀(30,6,2)以來，您決定擁有30個樣本，每個樣本都具有形狀(6,2) －這就是為什么了解數據和要執行的操作很重要的原因。
• X和Y必須具有相同數量的樣本。 因此，如果X中有30個樣本，那么Y中也肯定也有30個樣本，但是似乎您的數據認為它有20個樣本。 在消息中看到target形狀： (20,2) <-這是Y的形狀。
• 其他尺寸是免費的，但是：
  • 密集層將僅在最后一個維度上起作用，而其他維度則保持不變：輸出形狀為(30,6,units)
  • Conv1D層將3D輸入解釋為：（ (samples, length, input_channels) ，輸出形狀為(samples, modified_length, filters) 。
  • Conv2D圖層需要4D輸入：（ (samples, width, heigth, input_channels) ，並將輸出(samples, modified_width, modified_height, filters)
• 模型的輸出形狀必須與Y的形狀匹配。在這里，再次，您必須了解Y是什么，並確保您准備好與之匹配的模型。
• 如果在模型中的某些時候，你需要讓你的3D數據成為2D，你需要使用一個Flatten ，一個Reshape ，一個GlobalMaxPooling1D或GlobalAveragePooling1D層。

提示：使用model.summary()查看每一層的輸出形狀以及最終的輸出形狀。

提示2：首先明確定義數據和目標，然后定義X和Y的形狀，然后定義模型的形狀。