Keras Conv1D ValueError：層順序的輸入 0 與層不兼容：：預期 min_ndim=3，發現 ndim=2

Question

我有一個數據集，它不是時間序列。 每個輸入（行）是一個長度為 684 的數組/向量（它不是時間序列）。 我想在 Conv1D keras 中使用它。 但每次它都說它需要更多的維度。 你能建議一種使用 Conv1D 的方法嗎？ 我想應用輸入而不依賴於以前的數據，例如時間序列。 所以我實現了一個解決方案，比如將數據條目的大小設置為 [342,2] 而不是 [684,1]，但它不起作用。 我願意接受您對替代解決方案的建議和您的幫助。

當我使用密集層而不是 conv1d 時它工作正常。 實際上，我只需要以某種方式使其適應 conv1d 輸入。

舉個例子：

from keras.layers.convolutional import Conv1D
from keras.layers.convolutional import MaxPooling1D
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Dropout
from keras.utils import to_categorical
import time
import numpy as np
from sklearn.model_selection import train_test_split
import pandas as pd
import tensorflow as tf

verbose, epochs, batch_size = 0, 10, 100


df = pd.DataFrame(np.random.randint(0,3,(1000,685)))
x=df[df.columns[1:]] 
y=df[df.columns[1]] 


train_x, test_x, train_y, test_y = train_test_split(x, y, test_size=0.15, random_state=17)

train_y = to_categorical(train_y)
test_y = to_categorical(test_y)

n_features, n_outputs = train_x.shape[1], train_y.shape[1]
    
                
model = Sequential()
#model.add(Dense(n_features, activation='relu'))
#model.add(Dropout(0.25))
model.add(tf.keras.layers.Conv1D(filters=32, kernel_size=3, activation='relu', input_shape=(684,1)))
model.add(Dropout(0.5))
model.add(MaxPooling1D(pool_size=2))
model.add(Dense(50, activation= 'relu'))
model.add(Dropout(0.2))
model.add(Dense(20, activation= 'relu'))
model.add(Dropout(0.2))
model.add(Dense(n_outputs, activation='softmax'))

t=time.time()
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
history=model.fit(train_x, train_y, epochs=epochs, batch_size=batch_size, verbose=verbose)
_, accuracy = model.evaluate(test_x, test_y, batch_size=batch_size, verbose=verbose)


print(accuracy)

它給出錯誤：ValueError：層順序的輸入0與層不兼容：：預期的min_ndim = 3，發現ndim = 2。 收到的完整形狀：[無，684]

Answer 1

我有一個數據集，它不是時間序列。 每個輸入（行）是一個長度為 684 的數組/向量（它不是時間序列）。 我想在 Conv1D keras 中使用它。 但每次它都說它需要更多的維度。 你能建議一種使用 Conv1D 的方法嗎？ 我想應用輸入而不依賴於以前的數據，例如時間序列。 所以我實現了一個解決方案，比如將數據條目的大小設置為 [342,2] 而不是 [684,1]，但它不起作用。 我願意接受您對替代解決方案的建議和您的幫助。

當我使用密集層而不是 conv1d 時它工作正常。 實際上，我只需要以某種方式使其適應 conv1d 輸入。

舉個例子：

from keras.layers.convolutional import Conv1D
from keras.layers.convolutional import MaxPooling1D
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Dropout
from keras.utils import to_categorical
import time
import numpy as np
from sklearn.model_selection import train_test_split
import pandas as pd
import tensorflow as tf

verbose, epochs, batch_size = 0, 10, 100


df = pd.DataFrame(np.random.randint(0,3,(1000,685)))
x=df[df.columns[1:]] 
y=df[df.columns[1]] 


train_x, test_x, train_y, test_y = train_test_split(x, y, test_size=0.15, random_state=17)

train_y = to_categorical(train_y)
test_y = to_categorical(test_y)

n_features, n_outputs = train_x.shape[1], train_y.shape[1]
    
                
model = Sequential()
#model.add(Dense(n_features, activation='relu'))
#model.add(Dropout(0.25))
model.add(tf.keras.layers.Conv1D(filters=32, kernel_size=3, activation='relu', input_shape=(684,1)))
model.add(Dropout(0.5))
model.add(MaxPooling1D(pool_size=2))
model.add(Dense(50, activation= 'relu'))
model.add(Dropout(0.2))
model.add(Dense(20, activation= 'relu'))
model.add(Dropout(0.2))
model.add(Dense(n_outputs, activation='softmax'))

t=time.time()
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
history=model.fit(train_x, train_y, epochs=epochs, batch_size=batch_size, verbose=verbose)
_, accuracy = model.evaluate(test_x, test_y, batch_size=batch_size, verbose=verbose)


print(accuracy)

它給出錯誤：ValueError：層順序的輸入0與層不兼容：：預期的min_ndim = 3，發現ndim = 2。 收到的完整形狀：[無，684]