沿样本的Keras卷积

我有一个LSTM NN，在最后一个密集（softmax）神经元之后有一个输出。我发现如果我通过应用numpy卷积来平滑预测的Y，我会得到更好的精度

问题是我手动选择卷积内核的值。我想得到训练卷积核值的NN可能性。所以，我需要添加卷积作为softmax dense之后的最后一层。如果我正确理解Keras Conv1D，它只能沿着特征卷积。但我需要对不同样本（轴0）的输出进行卷积。因此，如果NN产生

Y = [0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7]

…并且卷积层的核_大小为3，它应该卷积向量Y和另一个经过训练的卷积向量C（例如[0.1,0.5,1]）：

因此，目标是沿着样本卷积输出，但让神经网络训练卷积向量核来选择最佳的

---

在Keras中可以这样做吗？

卷积层需要像

（样本、长度、通道）

这样的输入形状

要沿着样本进行卷积，只需重新组织张量，使其达到卷积输入要求

看起来您希望旧采样为新长度，并且在任何情况下都只有一个通道。我不确定这是否正是您打算做的，但因此，我们只留下一个新样品

因此，我们将张量从

（samples，）

重塑为

（1，samples，1）

考虑到第一个维度，我们需要一个lambda层：

model.add(Lambda(lambda x: K.reshape(x,(1,-1,1)), output_shape=(None,1)))
model.add(Conv1D(1,3,padding='same'))

#it's very important to reshape back to the same number of original samples, or keras will not accept your model:
model.add(lambda(lambda x: K.reshape(x,(-1,1)),output_shape=(1,)))

---

最终形状可能需要调整以适合您的训练数据。取决于numpy数组是

（示例，）

还是

（示例，1）

1最后一次密集（softmax）后的输出

——您指的是带有softmax的

（批次，1）

形状的输出吗？不管怎样，这总是输出1。是的，我的意思是NN在最后一层有1个密集的神经元，所以你必须先修复它。您可能应该使用“sigmoid”来代替。好吧，但不管激活情况如何，问题都是一样的：如何添加卷积层，将沿着样本卷积

model.add(Lambda(lambda x: K.reshape(x,(1,-1,1)), output_shape=(None,1)))
model.add(Conv1D(1,3,padding='same'))

#it's very important to reshape back to the same number of original samples, or keras will not accept your model:
model.add(lambda(lambda x: K.reshape(x,(-1,1)),output_shape=(1,)))