Question

我试图和Keras一起玩，建立我的第一个神经网络。我没有经验，我似乎无法弄清楚为什么我的维度是不对的。我无法从他们的文档中弄清楚这个错误是抱怨什么，甚至是什么层导致它。

我的模型采用32字节的数字数组，并且应该在另一侧给出一个布尔值。我想在输入字节数组上进行1D卷积。

arr1是32byte数组，arr2是一个布尔数组。

inputData = np.array(arr1)
inputData = np.expand_dims(inputData, axis = 2)

labelData = np.array(arr2)

print inputData.shape
print labelData.shape

model = k.models.Sequential()
model.add(k.layers.convolutional.Convolution1D(32,2, input_shape = (32, 1)))
model.add(k.layers.Activation('relu'))

model.add(k.layers.convolutional.Convolution1D(32,2))
model.add(k.layers.Activation('relu'))

model.add(k.layers.convolutional.Convolution1D(32,2))
model.add(k.layers.Activation('relu'))

model.add(k.layers.convolutional.Convolution1D(32,2))
model.add(k.layers.Activation('relu'))

model.add(k.layers.core.Dense(32))
model.add(k.layers.Activation('sigmoid'))

model.compile(loss = 'binary_crossentropy',
              optimizer = 'rmsprop',
              metrics=['accuracy'])
model.fit(
    inputData,labelData
)

形状印刷的输出是（1000,32,1）和（1000，）

我收到的错误是：

回溯（最近一次呼叫最后一次）：文件＆＃34; cnn / init .py＆＃34;，行 50，在 inputData，labelData File＆＃34; /home/steve/Documents/cnn/env/local/lib/python2.7/site-packages/keras/models.py"，第863行，合适 initial_epoch = initial_epoch）File＆＃34; /home/steve/Documents/cnn/env/local/lib/python2.7/site-packages/keras/engine/training.py"，第1358行，合适 batch_size = batch_size）File＆＃34; /home/steve/Documents/cnn/env/local/lib/python2.7/site-packages/keras/engine/training.py"，第1238行，在_standardize_user_data中 exception_prefix =＆＃39; target＆＃39;）File＆＃34; /home/steve/Documents/cnn/env/local/lib/python2.7/site-packages/keras/engine/training.py"，第128行，在_standardize_input_data中 str（array.shape））ValueError：检查目标时出错：预期activation_5有3个维度，但得到的数组有形状（1000,1）

Answer 1

那么在我看来，你需要更多地了解卷积网络： - ）

您在每个步骤应用32个长度为2的过滤器。因此，如果我们在每一层之后遵循张量的尺寸：

尺寸:(无，32,1）

model.add(k.layers.convolutional.Convolution1D(32,2, input_shape = (32, 1)))
model.add(k.layers.Activation('relu'))

尺寸:(无，31,32） （你的长度为2的过滤器遍历整个序列，因此序列的长度为31）

model.add(k.layers.convolutional.Convolution1D(32,2))
model.add(k.layers.Activation('relu'))

尺寸:(无，30,32） （由于你的长度为2的过滤器，你再次失去一个值，但你仍然有32个）

model.add(k.layers.convolutional.Convolution1D(32,2))
model.add(k.layers.Activation('relu'))

尺寸:(无，29,32） （相同的...）

model.add(k.layers.convolutional.Convolution1D(32,2))
model.add(k.layers.Activation('relu'))

尺寸:(无，28,32）

现在你想在它上面使用一个Dense图层......那就是Dense图层在3D输入上的效果如下：

model.add(k.layers.core.Dense(32))
model.add(k.layers.Activation('sigmoid'))

尺寸:(无，28,32）

这是你的输出。我觉得奇怪的第一件事就是你要从密集层中输出32个输出......你应该放1而不是32但是即使这样也无法解决你的问题。看看如果我们改变最后一层会发生什么：

model.add(k.layers.core.Dense(1))
model.add(k.layers.Activation('sigmoid'))

尺寸:(无，28,1）

这是因为您将密集图层应用于“2D＆＃39;张量。如果将一个密集（1）层应用于输入[28,32]，它会产生一个形状（32,1）的权重矩阵，它应用于28个向量，这样你就可以找到28个输出大小为1.

我建议解决这个问题的方法是改变最后两层：

model = k.models.Sequential()
model.add(k.layers.convolutional.Convolution1D(32,2, input_shape = (32, 1)))
model.add(k.layers.Activation('relu'))

model.add(k.layers.convolutional.Convolution1D(32,2))
model.add(k.layers.Activation('relu'))

model.add(k.layers.convolutional.Convolution1D(32,2))
model.add(k.layers.Activation('relu'))

# Only use one filter so that the output will be a sequence of 28 values, not a matrix.
model.add(k.layers.convolutional.Convolution1D(1,2))
model.add(k.layers.Activation('relu'))

# Change the shape from (None, 28, 1) to (None, 28)
model.add(k.layers.core.Flatten())

# Only one neuron as output to get the binary target.
model.add(k.layers.core.Dense(1))
model.add(k.layers.Activation('sigmoid'))

现在最后两步将从

中取出你的张量

（无，29,32） - ＆gt; （无，28,1） - ＆gt; （无，28） - ＆gt; （无，1）

我希望这会对你有所帮助。

PS。如果你想知道什么是无，它是批次的维度，你不要在onces上提供1000个样品，你要批量喂它，并且值取决于所选择的，通过对流我们把无。

编辑：

解释为什么序列长度在每一步都失去一个值。

假设您有4个值[x1 x2 x3 x4]的序列，您希望使用长度为2 [f1 f2]的过滤器来对序列进行卷积。第一个值将由y1 = [f1 f2] * [x1 x2]给出，第二个值为y2 = [f1 f2] * [x2 x3]，第三个值为y3 = [f1 f2] * [x3 x4]。然后你到达了你的序列的末尾，不能再往前走了。结果是[y1 y2 y3]。

这是由于滤镜长度和序列边界处的效果所致。有多个选项，有些选项用0＆＃39; s填充序列以获得完全相同的输出长度...您可以使用参数'padding'选择该选项。您可以read more about this here找到不同的values possible for the padding argument here。我鼓励你阅读最后一个链接，它提供有关输入和输出形状的信息......

来自doc：

填充：其中一个＆＃34;有效＆＃34;或＆＃34;相同＆＃34; （不区分大小写）。＆＃34;有效＆＃34;意味着＆＃34;没有填充＆＃34;。＆＃34;相同的＆＃34;导致填充输入，使输出与原始输入具有相同的长度。

默认设置为“有效”，因此您不需要填写示例。

我还建议您将keras版本升级到最新版本。 Convolution1D现在是Conv1D，因此您可能会发现文档和教程令人困惑。

卷积层不匹配中的Keras维数

1 个答案: