【keras】Conv1D层与Dense层的连接

今天在编写一个一维卷积神经网络做预测时，出现了很多报错。

def baseline_model():
    model = Sequential()
    model.add(Conv1D(filters=5, kernel_size=1, strides=3,input_shape=(235,1)))#卷积层
    model.add(Dense(units=25, input_dim=(50,),activation='tanh'))#全连接层
    model.add(Dense(9, activation='softmax'))
    model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
    return model

首先在网络中将一维卷积作为输入层时出现如下报错：

ValueError: Error when checking input: expected conv1d_11_input to have 3 dimensions, but got array with shape (869, 235)

以下是我导入的测试集：

X = df.values[:, 0:235].astype(float)
Y = df.values[:, 235]

X和Y的形状分别是：

X.shape: (869, 235)
Y.shape: (869,)

意思其实也很明白，就是模型希望输入一个3维的变量进来，结果输入进来了（899，246）这个二维变量。

这时我们给X增加一维：

X = np.expand_dims(df.values[:, 0:235].astype(float), axis=2)#增加一维轴
Y = df.values[:, 235]

此时X的形状变成：

X.shape: (869, 235, 1)
Y.shape: (869,)

继续运行程序，发现卷积层已经通过，而新的问题出现在了全连接层：

ValueError: Error when checking target: expected dense_2 to have 3 dimensions, but got array with shape (809, 9)

全连接层一般喜欢接收到一个一维的向量，这里我们需要加一层压平层：

model.add(Flatten())

def baseline_model():
    model = Sequential()
    model.add(Conv1D(filters=5, kernel_size=1, strides=3,input_shape=(235,1)))#卷积层
    model.add(Flatten())
    model.add(Dense(units=25, input_dim=(50,),activation='tanh'))#全连接层
    model.add(Dense(9, activation='softmax'))
    model.compile(loss='categorical_crossentropy', optimizer='sgd', metrics=['accuracy'])
    return model

Flatten层用来将输入“压平”，即把多维的输入一维化，常用在从卷积层到全连接层的过渡。

也可以是model.add(GlobalAveragePooling1D())，全局平均值池化，降维的同时减小拟合度。

继续运行，程序开始训练，问题解决！