Question

我正在使用CNN解决分类问题。我有data.csv文件（15000个样本/行和271列），其中第1列是类标签（总共4个类），其他270列是特征（6个不同的长度为45的信号连接，即6X45 = 270）。

问题： 我想提供长度为270的单个样本作为向量（6 X 45，所有6个信号具有不同的含义）但是在卷积中将单个样本重新整形为（6行，45列）时，我的尺寸会出错。
我的CNN模型：

X, y = load_data()   
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)
num_classes = 4

X_train = X_train.reshape(X_train.shape[0], 6, 45).astype('float32')
X_test = X_test.reshape(X_test.shape[0], 6, 45).astype('float32') 

model = Sequential()
model.add(Conv1D(filters=32, kernel_size=5, input_shape=(6, 45)))
model.add(MaxPooling1D(pool_size=5 ))
model.add(Flatten())
model.add(Dense(1000, activation='relu'))
model.add(Dense(num_classes, activation='softmax'))

如何重塑我的数据，CNN将每个样本视为6个长度为45的信号，并与窗口5的核心进行卷积。

Answer 1

您需要像Xtrain.reshape（num_of_examples，num_of_features，num_of_signals）一样重塑数据，并将模型中的input_shape更改为（45,6）。见下面的示例代码

{{1}}

Answer 2

input_shape参数指定每个输入“批”的形状。对于您的示例，其格式为：(steps, channels) steps是每个通道上的观测值数量，channels是信号数量。实际运行时

model.fit(X,Y)

X的格式为(batch, steps, channels)，每个批次都是对数据的每次观察。为此使用3维numpy数据帧。

numpy.vstack()可能会派上用场

如何在keras python中构建一维卷积神经网络？

2 个答案: