Question

我有一个以下形状的火车数据集：(300, 5, 720)

 [[[   6.   11.  389. ...,    0.    0.    0.]
   [   2.    0.    0. ...,   62.    0.    0.]
   [   0.    0.   18. ...,    0.    0.    0.]
   [  38.  201.   47. ...,    0.  108.    0.]
   [   0.    0.    1. ...,    0.    0.    0.]]

   [[ 136.   95.    0. ...,    0.    0.    0.]
   [  85.   88.   85. ...,    0.   31.    0.]
   [   0.    0.    0. ...,    0.    0.    0.]
   [   0.    0.    0. ...,    0.    0.    0.]
   [  13.   19.    0. ...,    0.    0.    0.]]]

我试图将每个样本作为输入传递给cnn模型，每个输入的大小为(5,720) ，我在keras中使用以下模型：

    cnn = Sequential()

    cnn.add(Conv2D(64, (5, 50),
    padding="same",
    activation="relu",data_format="channels_last",
    input_shape=in_shape))

   cnn.add(MaxPooling2D(pool_size=(2,2),data_format="channels_last"))

   cnn.add(Flatten())
   cnn.add(Dropout(0.5))

   cnn.add(Dense(number_of_classes, activation="softmax"))

   cnn.compile(loss="categorical_crossentropy", optimizer="adam", metrics=
   ['accuracy'])

   cnn.fit(x_train, y_train,
     batch_size=batch_size,
     epochs=epochs,
     validation_data=(x_test, y_test),
     shuffle=True)

我使用输入形状：

    rows,cols=x_train.shape[1:]
    in_shape=(rows,cols,1)

但是我收到以下错误：

ValueError：检查模型输入时出错：预期conv2d_1_input有4个维度，但得到的数组有形状（300,5， 720）

如何解决此错误？

Answer 1

这是Keras Convolutions中最经典的错误之一。其根源在于，当使用channels_last输入维度时，即使您只有一个通道，也需要使输入具有维度(height, width, channels)。所以基本上重塑：

x_train = x_train.reshape((x_train.shape[0], 5, 720, 1)

应该解决你的问题。

卷积神经网络input_shape尺寸误差（KERAS，PYTHON）

1 个答案: