1DConv输出形状keras模型摘要中的第二个参数是什么？

Question

我正在训练1DConv模型，每个模型具有4248个实例和39249个特征。我正在尝试使用32批大小的VGG16模型，但是经过7层之后，它返回以下错误。

在输入形状为[？，1,1,256]，[1,3,256,512]的conv1d_8 / convolution / Conv2D（op：'Conv2D'）中，从1中减去3引起的负尺寸大小。

为了进一步调试，我使用keras model.summary（）打印了整个网络。图像已附加。我有两个问题。

1. 为什么会出现负尺寸错误？
2. 我已经看到，输出形状中的第二个参数在conv1d_7层中变为2，并且不可能进一步减法。什么是第二参数？我浏览了this文档，发现第二个参数是使用以下公式（高度-内核大小+ 1）获得的，它表示窗口将在数据中滑动的步数。在我的情况下，内核大小为3，我对高度感到困惑。该文件解释说，“高度是馈入网络的一个数据集的长度”。长度是指特征的输入数量，还是批次大小*输入特征的数量？如何在第一层的输出形状中计算11250。下面是我的代码（我能够为其余层计算参数，只有第二个参数令人困惑，以前的帖子解释了如何计算参数而不是数据长度）。
3. 对于每个样本如此大的功能（39249），仅约4k实例，哪种深度学习算法可能对准确分类有用？

感谢您的帮助。谢谢。

model = Sequential()
 model.add(Conv1D(filters = 8, kernel_size=3, strides=3, activation='relu', input_shape=(n_timestamps,n_features)))

 model.add(Conv1D(filters=16, kernel_size=3, strides=3, activation='relu'))
 model.add(MaxPooling1D(pool_size=2,strides=2))

 model.add(Conv1D(filters=32, kernel_size=3, strides=3, activation='relu'))
 model.add(MaxPooling1D(pool_size=2,strides=2))

 model.add(Conv1D(filters=64, kernel_size=3, strides=3, activation='relu'))
 model.add(MaxPooling1D(pool_size=2,strides=2))
 model.add(Conv1D(filters=64, kernel_size=3, strides=3, activation='relu'))
 model.add(MaxPooling1D(pool_size=2,strides=2))

 model.add(Conv1D(filters=128, kernel_size=3, strides=3, activation='relu'))
 model.add(Conv1D(filters=128, kernel_size=3, strides=3, activation='relu'))
 model.add(MaxPooling1D(pool_size=4,strides=3))
 print(model.summary())

 model.add(Conv1D(filters=256, kernel_size=3, strides=3, activation='relu'))
 model.add(Conv1D(filters=256, kernel_size=3, strides=3, activation='relu'))
 model.add(Conv1D(filters=256, kernel_size=3, strides=3, activation='relu'))
 model.add(MaxPooling1D(pool_size=2,strides=2))
 print(model.summary())

 model.add(Conv1D(filters=512, kernel_size=3, strides=3, activation='relu'))
 model.add(Conv1D(filters=512, kernel_size=3, strides=3, activation='relu'))
 model.add(Conv1D(filters=512, kernel_size=3, strides=3, activation='relu'))
 model.add(MaxPooling1D(pool_size=2,strides=2))
 print(model.summary())

 model.add(Conv1D(filters=512, kernel_size=3, strides=3, activation='relu'))
 model.add(Conv1D(filters=512, kernel_size=3, strides=3, activation='relu'))
 model.add(Conv1D(filters=512, kernel_size=3, strides=3, activation='relu'))
 model.add(MaxPooling1D(pool_size=2,strides=2))

 model.add(Flatten())
 model.add(Dense(4096, activation='relu'))
 #model.add(Dropout(0.5))
 model.add(Dense(4096, activation='relu'))
 #model.add(Dropout(0.5))
 model.add(Dense(n_outputs, activation='softmax'))
 print(model.summary())

Answer 1

1-这里，每层步幅= 3，这是一个问题。在每个卷积过滤器之后，它的意思是feather_size更改为feather_size / 3，并且其原因是快速减少了feather_size。 我建议您减少过滤器的步幅。例如，迈步= 1似乎很合适。

2-作为一般公式，您可以计算每个Conv之后输出羽毛的大小。用（（feather_size-kernel_size）/ stride）+ 1

过滤

最后，有关keras卷积过滤器中每个参数的更多说明，我可以向您介绍https://keras.io/layers/convolutional/

Answer 2

1）任何会减少输出特征图的操作都将成为负尺寸错误的元凶。通常，它是由于“有效”的填充，合并或跨步而发生的。

“有效” =不填充：

   inputs:         1  2  3  4  5  6  7  8  9  10 11 (12 13)
                  |________________|                dropped
                                 |_________________|

“ POOLING” = 2x2最大池，从2by2窗口仅获取1个最大值，因此每次应用时输出形状都会减半。

由于这些操作会减小要素图的形状，因此在一层中，要素图可能会变得太小，甚至小于单个内核的大小，因此您将无法再应用这些操作，因此出现此错误。

2）您使用了较大的跨步值，因此，要素图的长度下降得更快。您可以关注任何博客，以获取有关如何计算每个参数https://towardsdatascience.com/understanding-and-calculating-the-number-of-parameters-in-convolution-neural-networks-cnns-fc88790d530d

的想法

3）您可以简单地减少密集或FC层中的神经元数量。尝试使用较小的单位（例如512，而不是4096），看看精度如何下降。添加一些批处理规范层并增加辍学率，以免发生过拟合。