如何使用Keras将1D输入提供给卷积神经网络（CNN）？

Question

我使用Keras库解决卷积神经网络（CNN）的回归问题。我已经经历了很多例子，但未能理解输入形状对1D卷积的概念

这是我的数据集，1个具有3个原始信号的目标变量。

为了可视化，此处显示了5段传感器信号，每个段都有其自己的含义

我想将分段智能传感器值作为1D卷积层的输入，但问题是分段具有变量长度。

这是我的CNN架构

我厌倦了构建我的CNN模型但很困惑

model = Sequential()
model.add(Conv1D(5, 7, activation='relu',input_shape=input_shape))
model.add(MaxPooling1D(pool_length=4))
model.add(Conv1D(4, 7, activation='relu'))
model.add(Dense(100, activation='relu'))
model.add(Dense(num_classes, activation='softmax'))

那么，我如何在Keras中为CNN的Conv1D提供输入？或者我应该将固定大小的输入设置为Conv1D吗？但是如何？

Answer 1

我的理解是input_shape应该为（time_steps，n_features），其中time_steps是段的长度（传感器信号序列），n_features是通道数（在您的情况下为3） ，因为您有3个不同的传感器）。

因此，您网络的输入应具有3个维度（批次，步骤，通道），其中批次是不同的细分。

我只使用固定的time_steps，如果您确实不能使用相同长度的线段，则可以尝试使用零填充。

在Keras Documentation上，他们说您可以使用（无，3）作为3维矢量的变长序列的input_shape，但我从未用过这种方式。 / p>