python中size的用法.dim_python-conv1D中形状的尺寸

td; 您需要调整数据的形状以使其具有空间尺寸，以便Conv1d有意义：

X = np.expand_dims(X, axis=2) # reshape (569, 30) to (569, 30, 1)

# now input can be set as

model.add(Conv1D(2,2,activation='relu',input_shape=(30, 1))

本质上是重塑如下所示的数据集：

features

.8, .1, .3

.2, .4, .6

.7, .2, .1

至：

[[.8

.1

.3],

[.2,

.4,

.6

],

[.3,

.6

.1]]

解释和例子

通常，卷积在空间维度上起作用。 内核在产生张量的维度上“卷积”。 对于Conv1D，在每个示例的“步骤”维度上传递内核。

您会看到在NLP中使用的Conv1D，其中2712324223929929943040是句子中的单词数(填充到某个固定的最大长度)。 单词可能会被编码为长度为4的向量。

这是一个示例语句：

jack .1 .3 -.52 |

is .05 .8, -.7 |

a .5 .31 -.2 |

boy .5 .8 -.4 \|/

在这种情况下，我们将输入设置为转换的方式：

maxlen = 4

input_dim = 3

model.add(Conv1D(2,2,activation='relu',input_shape=(maxlen, input_dim))

在您的情况下，您会将要素视为空间维度，每个要素的长度为1。(请参见下文)

这是您数据集中的一个例子

att1 .04 |

att2 .05 | < -- kernel convolving along this dimension

att3 .1 | notice the features have length 1. each

att4 .5 \|/ example have these 4 featues.

然后将Conv1D示例设置为：

maxlen = num_features = 4 # this would be 30 in your case

input_dim = 1 # since this is the length of _each_ feature (as shown above)

model.add(Conv1D(2,2,activation='relu',input_shape=(maxlen, input_dim))

如您所见，数据集必须重塑为(569，30，1)采用：

X = np.expand_dims(X, axis=2) # reshape (569, 30, 1)

# now input can be set as

model.add(Conv1D(2,2,activation='relu',input_shape=(30, 1))

这是一个可以运行的完整示例(我将使用Functional API)

from keras.models import Model

from keras.layers import Conv1D, Dense, MaxPool1D, Flatten, Input

import numpy as np

inp = Input(shape=(5, 1))

conv = Conv1D(filters=2, kernel_size=2)(inp)

pool = MaxPool1D(pool_size=2)(conv)

flat = Flatten()(pool)

dense = Dense(1)(flat)

model = Model(inp, dense)

model.compile(loss='mse', optimizer='adam')

print(model.summary())

# get some data

X = np.expand_dims(np.random.randn(10, 5), axis=2)

y = np.random.randn(10, 1)

# fit model

model.fit(X, y)