Question

你好，我是Deep Learning和Keras的新手，我正在做一个项目以学习Deep Learning和Keras。在这里，我做了一个模型。

Model = Sequential()
Model.add(Conv2D(32, (3, 3) , input_shape = (100,64,64,), padding = 'same', 
activation='relu'))
Model.add(Conv2D(32, (3, 3), activation='relu', padding='same'))
Model.add(MaxPooling2D(pool_size=(2, 2))) 
Model.add(Flatten()) #Conversion to Neurons
Model.add(Dense(512, activation='relu')) 
Model.add(Dense(1, activation='softmax'))

用于培训和试穿。

X = signalBuffer.transpose()
Y = np.ones([19920, 1], dtype = int)
x_train, x_test, y_train, y_test = train_test_split(X, Y, 
test_size=0.20,shuffle=True)
Model.fit(x_train, y_train,batch_size=100,epochs=epochs,validation_data= 
(x_test, y_test),shuffle=True)

这里，X具有19920行和64列，而Y具有19920行和1列。训练和测试拆分正在正确执行。当我尝试拟合模型时，错误出现在最后一行。错误是

ValueError：检查输入时出错：预期conv2d_1_input具有4维，但数组的形状为（15936，64）

请原谅我，如果这是一个愚蠢的问题或答案很容易，但是我试图理解该模型，并且尝试了一些解决方案，但仍然给出错误。任何帮助表示赞赏。

Answer 1

来自喀拉拉邦documentation：

2D卷积层（例如图像上的空间卷积）。

此层创建一个卷积内核，该卷积内核与该层输入进行卷积以产生输出张量。如果use_bias为True，则会创建一个偏差矢量并将其添加到输出中。最后，如果激活不为“无”，则它也将应用于输出。

在将此层用作模型的第一层时，请提供关键字参数input_shape（整数元组，不包括采样轴），例如input_shape =（128，128，3）用于data_format =“ channels_last”中的128x128 RGB图片。

您拥有的是19920个样本和64个要素，假设这是正确的，则可能应该改用1D卷积层。一维卷积层接受二维输入，内核本身就是一维

您可能需要进行一些更改以确保您的数据也采用正确的格式，因为Conv1D采用以下内容：

输入形状具有以下形状的3D张量：（批，台阶，通道）

Answer 2

卷积用于利用空间局部性很重要的事实，例如相互接近的像素对于找到边缘或对事物进行分类非常重要。表格数据很少出现这种情况。如果您仍然想使用NN来解决这个问题，则可能要使用MLP，例如您的任务的密集层。然后，除了除去卷积部分，您无需执行任何其他操作。

如果数据是空间连接的，则可能要使用Conv1D图层。如previos帖子所述，输入形状是带有（批，步，通道）的3D张量。创建的参数数量取决于输入通道的数量和输出通道的数量，而与阶跃参数无关。例如。将数据重塑为（19920，1，64）将产生一个密集层。另一个极端是（19920，64，1），其中参数的数量仅取决于内核大小和传出通道映射。

预期conv2d_1_input具有4维，但数组的形状为（15936，64）

2 个答案: