如何使Keras CNN在正確的尺寸下工作？

Question

我得到錯誤：
“檢查輸入時出錯：預期conv1d_41_input具有3維，但數組的形狀為（1920，5000）”
嘗試在Keras中編譯CNN模型時。

我的輸入數據是1920個具有5000個功能的樣本。

我嘗試在第一個Dense層之前添加Flatten層。

# Parameters 
BATCH_SIZE = 16
DROP_OUT = 0.25
N_EPOCHS = 100
N_FILTERS = 128
TRAINABLE = False
LEARNING_RATE = 0.001
N_DIM = 32
KERNEL_SIZE = 7

# Create model
model = Sequential()
model.add(Conv1D(N_FILTERS, KERNEL_SIZE, activation='relu', padding='same',input_shape=(5000,1)))
model.add(MaxPooling1D(2))
model.add(Conv1D(N_FILTERS, KERNEL_SIZE, activation='relu', padding='same'))
model.add(GlobalMaxPooling1D())
model.add(Dropout(DROP_OUT))
model.add(Dense(N_DIM, activation='relu', kernel_regularizer=regularizers.l2(1e-4)))
model.add(Dense(N_LABELS, activation='sigmoid'))  
adam = optimizers.Adam(lr=LEARNING_RATE, beta_1=0.9, beta_2=0.999, epsilon=1e-08, decay=0.0)
model.compile(loss='binary_crossentropy', optimizer=adam, metrics=['accuracy'])
model.summary()

Answer 1

如果將輸入形狀聲明為input_shape=(5000,1) ，則數據應具有形狀(None, 5000,1) ，其中第一維對應於樣本，因此在這種情況下，您只需要添加帶有通過重塑獲得值為1的值：

X_train = X_train.reshape((-1, 5000, 1))

並對所有測試或驗證數據執行相同的操作。