用一维CNN对多维数据进行分类

近日，老板突发奇想想让我用CNN模型对他研究的项目数据进行一个分类预测。他是快凌晨一点给我发的消息，当时一想，CNN不是用来搞图像数据用的吗？这分明是牛头不对马嘴呀，当时也没急着回他，假装睡着了，可是那晚确实没睡着，脑子里就净想这事。。。
第二天起来查看资料，还真有CNN网络模型用来对单列多维数据进行分类，用的就是一维卷积神经网络，而图像处理的是用二维卷积神经网络。现在我们就来仔细聊聊一维卷积神经网络。
相信大家都很熟悉一张灰度图的数据结构是是个二维矩阵，彩色图就是一个三维矩阵。
然而我要进行处理的数据却是一维的向量。一维卷积操作如下图所示:

• 图中的输入的数据维度为8，过滤器的维度为5。与二维卷积类似，卷积后输出的数据维度为8−5+1=4。
• 如果过滤器数量仍为1，输入数据的channel数量变为16，即输入数据维度为8×16。这里channel的概念相当于自然语言处理中的embedding，而该输入数据代表8个单词，其中每个单词的词向量维度大小为16。在这种情况下，过滤器的维度由5变为5×16，最终输出的数据维度仍为4。
• 如果过滤器数量为n，那么输出的数据维度就变为4×n。

老板给我的数据样本一共是3600个数据样本，每个样本数据为128维；为了其能进行一维卷积操作，必须先对所有数据进行扩维，就是将其增加一个维度；简单来说，我们把原先的矩阵当成一个平摊在桌面的纸片，变化以后，相当于给它立起来了，把原先的X轴“厚度”变为1；此时数据还是原来的数据，但是多了一个轴。对此数据而言，因为数据样本有3600个，维度是128维，整个数据格式是一个3600x128的二维矩阵，对其进行扩维，得到一个3600x128x1的三维矩阵。

还是拿代码来详细说明

代码是基于anaconda环境的tensorflow框架编写
python版本是：3.7.0
tensorflow版本：2.3.1
预先导入相应的包，有些是没有用的，自行斟酌

import numpy as np
import pandas as pd
import keras
from keras.models import Sequential
from keras.wrappers.scikit_learn import KerasClassifier
from keras.utils import np_utils, plot_model
import matplotlib.pyplot as pl
from sklearn import metrics
from sklearn.model_selection import cross_val_score, train_test_split, KFold
from sklearn.preprocessing import LabelEncoder
from keras.layers import Dense, Dropout, Flatten, Conv1D, MaxPooling1D
from keras.models import model_from_json
import matplotlib.pyplot as plt
from sklearn.metrics import confusion_matrix
import seaborn as sns
import os
import itertools

1.加载数据：

# 载入数据
B_data = np.load('./data/data.npy')
B_label = np.load('./data/label.npy')
# B_data = np.transpose(B_data)
#print(B_data)
X = np.expand_dims(B_data[:, 0:128].astype(float), axis=2)
#print(X[1])
# print(X)
# print(X.shape)
# print('--------------')
Y = B_label