这个问题是我先前在这里提出的问题的后续问题：Multi-feature causal CNN - Keras implementation，但是，有很多事情我不清楚，我认为这值得提出一个新问题。这里讨论的模型是根据上面提到的帖子中公认的答案建立的。
我正在尝试对10个具有5个特征的序列的多元时间序列数据应用因果CNN模型。
lookback, features = 10, 5
应该将过滤器和内核设置为什么？
应将膨胀设置为什么？
lookback？filters = 32
kernel = 5
dilations = 5
dilation_rates = [2 ** i for i in range(dilations)]
model = Sequential()
model.add(InputLayer(input_shape=(lookback, features)))
model.add(Reshape(target_shape=(features, lookback, 1), input_shape=(lookback, features)))
根据前面提到的答案，需要根据以下逻辑对输入进行重塑：
Reshape之后，将5个输入要素视为TimeDistributed层的时间层将Conv1D应用于每个输入要素时，它认为层的形状为（10，1）
具有默认的“ channels_last”，因此...
# Add causal layers
for dilation_rate in dilation_rates:
model.add(TimeDistributed(Conv1D(filters=filters,
kernel_size=kernel,
padding='causal',
dilation_rate=dilation_rate,
activation='elu')))
根据上述答案，需要根据以下逻辑对模型进行重塑：
接下来，因果层现在将分别应用于5个输入要素。
model.add(Reshape(target_shape=(lookback, features * filters)))
next_dilations = 3
dilation_rates = [2 ** i for i in range(next_dilations)]
for dilation_rate in dilation_rates:
model.add(Conv1D(filters=filters,
kernel_size=kernel,
padding='causal',
dilation_rate=dilation_rate,
activation='elu'))
model.add(MaxPool1D())
model.add(Flatten())
model.add(Dense(units=1, activation='linear'))
model.summary()
应该设置哪些膨胀来表示回溯10？
为什么最初单独应用因果层？
================================================ ==========================
lookback, features = 10, 5
filters = 32
kernel = 5
dilations = 5
dilation_rates = [2 ** i for i in range(dilations)]
model = Sequential()
model.add(InputLayer(input_shape=(lookback, features)))
model.add(Reshape(target_shape=(features, lookback, 1), input_shape=(lookback, features)))
# Add causal layers
for dilation_rate in dilation_rates:
model.add(TimeDistributed(Conv1D(filters=filters,
kernel_size=kernel,
padding='causal',
dilation_rate=dilation_rate,
activation='elu')))
model.add(Reshape(target_shape=(lookback, features * filters)))
next_dilations = 3
dilation_rates = [2 ** i for i in range(next_dilations)]
for dilation_rate in dilation_rates:
model.add(Conv1D(filters=filters,
kernel_size=kernel,
padding='causal',
dilation_rate=dilation_rate,
activation='elu'))
model.add(MaxPool1D())
model.add(Flatten())
model.add(Dense(units=1, activation='linear'))
model.summary()
================================================ ==========================
丹尼尔，谢谢您的回答。
问题：
如果您可以“精确”地解释数据的结构方式，原始数据是什么以及如何将其转换为输入形状（如果您具有独立的序列）以及创建滑动Windows等。可以更好地了解此过程。
答案：
希望我能正确理解您的问题。
每个功能都是时间序列数据的序列数组。它们是独立的，例如它们不是图像，但是它们彼此之间有些相关。
这就是为什么我要使用Wavenet的原因，它非常擅长预测单个时间序列阵列，但是，我的问题要求我使用多个功能。
答案 0 :(得分：3)
问题：
- 为什么最初要单独应用因果层？
- 为什么它们在重塑后会被依赖地应用？
- 为什么不从一开始就依赖它们？
那个答案有点奇怪。我不是专家，但是我看不到需要使用TimeDistributed层保留独立功能。但是我也不能说它是否能带来更好的结果。起初我会说这是不必要的。但是，它可能带来更多的智能，因为它可能看到关系涉及两个要素之间的遥远步骤，而不是仅仅关注“相同步骤”。 （应该对此进行测试）
尽管如此，该方法存在错误。
旨在交换回溯和特征尺寸的重塑未达到预期的效果。答案的作者显然想交换轴（保留对特征，回溯的解释），这与重塑不同（将所有内容混合在一起并且数据失去了意义） ）
正确的方法将需要实际的轴交换，例如model.add(Permute((2,1)))而不是整形。
所以，我不知道这些答案，但是似乎没有什么可以创造这种需求。 可以肯定的一件事是：您一定会想要依赖部分。如果模型不考虑要素之间的关系，则模型将无法获得原始模型的智能。 （除非您很幸运地拥有完全独立的数据）
可以将LSTM与Conv1D直接进行比较，并且所使用的形状完全相同，并且实际上意味着相同，只要您使用的是channels_last。
也就是说，形状(samples, input_length, features_or_channels)是LSTM和Conv1D的正确形状。实际上，在这种情况下，功能和渠道是完全一样的。变化的是每层在输入长度和计算方面的工作方式。
内核是conv层内的整个张量，将其与输入相乘以获得结果。内核包括其空间大小（kernel_size）和filters的数量（输出要素）。以及自动输入过滤器。
没有很多内核，但是有kernel_size。内核大小是每个输出步骤将连接多少个长度的步骤。 （此tutorial非常适合于关于其功能和内核大小的未知2D卷积-想像一下1D图像-尽管本教程没有显示“过滤器”的数量，就像1-filter动画）
filters的数量与features的数量直接相关，它们是完全一样的。
应该将过滤器和内核设置为什么？
因此，如果您的LSTM层正在使用units=256，这意味着它将输出256个特征，那么您应该使用filters=256，这意味着卷积将输出256个通道/特征。
但这不是规则，您可能会发现使用更多或更少的过滤器会带来更好的结果，因为这些图层毕竟会做不同的事情。不需要所有层都具有相同数量的过滤器！！在这里，您应该进行参数调整。 进行测试以查看最适合您的目标和数据的数字。
现在，内核大小是无法与LSTM相比的。这是模型中新增的内容。
数字3是很常见的选择。这意味着卷积将需要三个时间步才能产生一个时间步。然后滑动一个步骤，进行三个步骤的另一组操作，以产生下一个步骤，依此类推。
膨胀表示卷积滤波器在步骤之间将有多少间隔。
dilation_rate=1连续执行kernel_size步以产生一个步骤。 dilation_rate = 2的卷积需要步骤0、2和4来产生一个步骤。然后执行步骤1、3、5以产生下一步，依此类推。 应该设置什么膨胀来表示回溯10？
range = 1 + (kernel_size - 1) * dilation_rate
因此，内核大小= 3：
如果您可以“精确地”解释数据的结构方式，原始数据是什么以及如何将其转换为输入形状，具有独立序列，创建滑动窗口等可以更好地了解此过程。