我目前正在使用基本的LSTM进行回归预测，并且我想实现因果的CNN，因为它应该在计算上更加有效。
我正在努力寻找如何重塑当前数据以适应因果CNN单元并代表相同的数据/时间步长关系以及应将扩张率设置为什么的方法。
我当前的数据具有以下形状：(number of examples, lookback, features)，这是我正在使用的LSTM NN的基本示例。
lookback = 20 # height -- timeseries
n_features = 5 # width -- features at each timestep
# Build an LSTM to perform regression on time series input/output data
model = Sequential()
model.add(LSTM(units=256, return_sequences=True, input_shape=(lookback, n_features)))
model.add(Activation('elu'))
model.add(LSTM(units=256, return_sequences=True))
model.add(Activation('elu'))
model.add(LSTM(units=256))
model.add(Activation('elu'))
model.add(Dense(units=1, activation='linear'))
model.compile(optimizer='adam', loss='mean_squared_error')
model.fit(X_train, y_train,
epochs=50, batch_size=64,
validation_data=(X_val, y_val),
verbose=1, shuffle=True)
prediction = model.predict(X_test)
然后，我创建了一个新的CNN模型（尽管不是因果关系，因为根据Keras文档，'causal'填充只是Conv1D而非Conv2D的一个选项。如果我理解正确的话，具有多种功能，我需要使用Conv2D而不是Conv1D，但是如果我设置Conv2D(padding='causal')，则会收到以下错误-Invalid padding: causal）
无论如何，我还能够使用新形状(number of examples, lookback, features, 1)拟合数据，并使用Conv2D层运行以下模型：
lookback = 20 # height -- timeseries
n_features = 5 # width -- features at each timestep
model = Sequential()
model.add(Conv2D(128, 3, activation='elu', input_shape=(lookback, n_features, 1)))
model.add(MaxPool2D())
model.add(Conv2D(128, 3, activation='elu'))
model.add(MaxPool2D())
model.add(Flatten())
model.add(Dense(1, activation='linear'))
model.compile(optimizer='adam', loss='mean_squared_error')
model.fit(X_train, y_train,
epochs=50, batch_size=64,
validation_data=(X_val, y_val),
verbose=1, shuffle=True)
prediction = model.predict(X_test)
但是，据我所知，这并不是因果关系传播数据，而只是将整个(lookback, features, 1)传播为图像。
是否可以通过多种功能重塑数据以适应Conv1D(padding='causal')图层（具有多个功能）或以某种方式运行与Conv2D相同的数据并输入形状，并使用'causal'填充？ / p>
答案 0 :(得分：1)
我相信您可以针对任意数量的输入功能使用因果填充和膨胀。这是我建议的解决方案。
来自Keras文档：“此包装器将层应用于输入的每个时间切片。输入应至少为3D，索引1的维将被视为时间维。”
出于我们的目的，我们希望该层对每个要素应用“内容”，因此将要素移至时间索引（即1）。
Conv1D documentation也很重要。
专门关于通道：“输入中维的顺序。“ channels_last”对应于具有形状（批处理，步骤，通道）的输入（Keras中时间数据的默认格式）” < / p>
from tensorflow.python.keras import Sequential, backend
from tensorflow.python.keras.layers import GlobalMaxPool1D, Activation, MaxPool1D, Flatten, Conv1D, Reshape, TimeDistributed, InputLayer
backend.clear_session()
lookback = 20
n_features = 5
filters = 128
model = Sequential()
model.add(InputLayer(input_shape=(lookback, n_features, 1)))
# Causal layers are first applied to the features independently
model.add(Reshape(target_shape=(n_features, lookback, 1)))
# After reshape 5 input features are now treated as the temporal layer
# for the TimeDistributed layer
# When Conv1D is applied to each input feature, it thinks the shape of the layer is (20, 1)
# with the default "channels_last", therefore...
# 20 times steps is the temporal dimension
# 1 is the "channel", the new location for the feature maps
model.add(TimeDistributed(Conv1D(filters, 3, activation="elu", padding="causal", dilation_rate=2**0)))
# You could add pooling here if you want.
# If you want interaction between features AND causal/dilation, then apply later
model.add(TimeDistributed(Conv1D(filters, 3, activation="elu", padding="causal", dilation_rate=2**1)))
model.add(TimeDistributed(Conv1D(filters, 3, activation="elu", padding="causal", dilation_rate=2**2)))
# Stack feature maps on top of each other so each time step can look at
# all features produce earlier
model.add(Reshape(target_shape=(lookback, n_features * filters))) # (20 time steps, 5 features * 128 filters)
# Causal layers are applied to the 5 input features dependently
model.add(Conv1D(filters, 3, activation="elu", padding="causal", dilation_rate=2**0))
model.add(MaxPool1D())
model.add(Conv1D(filters, 3, activation="elu", padding="causal", dilation_rate=2**1))
model.add(MaxPool1D())
model.add(Conv1D(filters, 3, activation="elu", padding="causal", dilation_rate=2**2))
model.add(GlobalMaxPool1D())
model.add(Dense(units=1, activation='linear'))
model.compile(optimizer='adam', loss='mean_squared_error')
model.summary()
最终模型摘要
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
reshape (Reshape) (None, 5, 20, 1) 0
_________________________________________________________________
time_distributed (TimeDistri (None, 5, 20, 128) 512
_________________________________________________________________
time_distributed_1 (TimeDist (None, 5, 20, 128) 49280
_________________________________________________________________
time_distributed_2 (TimeDist (None, 5, 20, 128) 49280
_________________________________________________________________
reshape_1 (Reshape) (None, 20, 640) 0
_________________________________________________________________
conv1d_3 (Conv1D) (None, 20, 128) 245888
_________________________________________________________________
max_pooling1d (MaxPooling1D) (None, 10, 128) 0
_________________________________________________________________
conv1d_4 (Conv1D) (None, 10, 128) 49280
_________________________________________________________________
max_pooling1d_1 (MaxPooling1 (None, 5, 128) 0
_________________________________________________________________
conv1d_5 (Conv1D) (None, 5, 128) 49280
_________________________________________________________________
global_max_pooling1d (Global (None, 128) 0
_________________________________________________________________
dense (Dense) (None, 1) 129
=================================================================
Total params: 443,649
Trainable params: 443,649
Non-trainable params: 0
_________________________________________________________________
编辑：
“为什么需要重塑形状并将n_features用作时间层”
n_features最初需要位于时间层的原因是，具有扩张和因果填充的Conv1D一次仅适用于一个功能，以及因为TimeDistributed层的实现方式。
从文档“ ”中考虑“一批32个样本，其中每个样本是一个由16个维度的10个向量组成的序列。该层的批次输入形状为（32，10，16），并且input_shape （不包括样本维度）为（10，16）。
然后，您可以使用TimeDistributed独立地将Dense图层应用于10个时间步长中的每一个：“
通过将TimeDistributed层分别应用于每个要素，可以减小问题的范围，就好像只有一个要素一样（这很容易允许膨胀和因果填充）。具有5个功能，它们需要首先分别处理。
编辑后，此建议仍然适用。
在网络方面，无论InputLayer是包含在第一层中还是单独包含在内，如果可以解决问题，您都可以肯定地将其放在第一CNN中。
答案 1 :(得分：0)
在Conv1D中，使用因果填充是膨胀卷积。对于Conv2D，可以使用Conv2D类的dilation_rate参数。您必须为dilation_rate分配2个整数的整数。有关更多信息，请阅读keras documentation或here。