keras中一维卷积网络的输入形状

我是keras的新手，在理解形状方面有问题

我想按如下方式创建1D Conv Keras模型，我不知道这是否正确：

TIME_PERIODS = 511
num_sensors = 2
num_classes = 4
BATCH_SIZE = 400
EPOCHS = 50
model_m = Sequential()
model_m.add(Conv1D(100, 10, activation='relu', input_shape=(TIME_PERIODS, num_sensors)))
model_m.add(Conv1D(100, 10, activation='relu'))
model_m.add(MaxPooling1D(3))
model_m.add(Conv1D(160, 10, activation='relu'))
model_m.add(Conv1D(160, 10, activation='relu'))
model_m.add(GlobalAveragePooling1D())
model_m.add(Dropout(0.5))
model_m.add(Dense(num_classes, activation='softmax'))

我拥有的输入数据是888个不同的熊猫数据帧，其中每个帧都是形状（511，3），其中511是信号点的数量，第0列是传感器1值，第1列是传感器2值，第2列是标记信号

现在，我应该如何组合我所有的888个不同的熊猫数据帧，以便使用Sklearn train_test_split从x和y获得x_train和y_train

此外，我认为我为模型定义的输入形状是错误的，我认为我实际上没有时间周期，因为对于1个时间点，我有2个传感器输入（橙色、蓝色）值和1个输出标签（绿色）

我试图解决的问题的背景。 输入：基于时间的2个传感器值，例如用户在1:10-1:15、1:15-1:30、1:30-2:00进行活动1、活动2、活动X的时间范围，上面的曲线图显示了示例培训输入和输出

这个问题的灵感来自于，但在我的例子中，我没有任何时间段，我的1个时间点有1个输出标签

更新1：

---

我几乎可以肯定，我的时间周期=1，对于预测，我将给出511个输入，并期望得到511个输出值

每个数据帧都是一个独立的序列

 fileNames = get a list of filenames here, you can maybe os.listdir for that
 allFrames = [pandas.read_csv(filename,... other_things...).values for filename in fileNames]


 allData = np.stack(allFrames, axis=0)
 inputData = allData[:,:num_sensors]
 outputData = allData[:, -1:]

现在，您可以按自己的方式使用train test split。 您的输入形状是正确的

---

如果要预测整个序列，则必须删除池。每个卷积都应该使用

padding='same'

也许你应该在某处使用一个

双向层（LSTM（units，return_sequences=True））

来增强你的模型

---

以一个简单的模型为例。（请注意，模型对创造力是完全开放的）

---

至少可以说，你走的是正确的道路。完整的解决方案是

df = pd.concat([pd.read_csv(fname, index_col=<int>, header=<int>) for f filenames], ignore_index=True, axis=0)

inputs = df.loc[:,:-1]
labels = df.loc[:,0]

X_train, X_test, y_train, y_test = train_test_split(inputs, labels, test_size=<float>)

而不是

model_m.add(Conv1D(100, 10, activation='relu', padding='SAME', input_shape=(TIME_PERIODS, num_sensors)))

因此，由于您没有为卷积层设置

padding=“Same”

，这可能会产生不希望的效果，即当您深入模型时，输入变得越来越小。如果那是你需要的，没关系。否则，设置'padding=“SAME”

---

例如，如果没有相同的填充，当您到达

GlobalPooling

层时，将得到大约为

144

的宽度，如果使用相同的填充，则大致为

170

。这不是一个大问题，但很容易导致输入的深层尺寸为负值。

我认为形状不正确。我有4个输出类，我想找出511个点中每个点的预测类，类似于我的绘图。将511看作时间刻度。然后删除池，始终使用

padding='same'

。你能提供一个关于你所说的非常简单的模型吗。第一个1DConv层的输入形状是什么？就是这样，一个简单的模型混合了Conv和LSTMI，但它不认为形状是正确的。我有4个输出类，我想找出511个点中每个点的预测类，类似于我的绘图。将511视为时间刻度。@RoshanMehta那么您可能将其建模为一个时间序列问题（即使用LSTM）。你为什么首先使用卷积滤波器？因为我读到关于使用CNN的人类活动识别，它工作得很好，但在这些问题中，有一个时间段对应于一个标签，但在我的例子中，我实际上没有任何时间段。我有两个输入，想要一个输出。你能分享你在上面看到的文件/资源吗？根据我的经验，基于深度学习的活动识别总是使用一些LSTM/RNN组件（例如LSTM/CONVLSM）来完成

model_m.add(Conv1D(100, 10, activation='relu', input_shape=(TIME_PERIODS, num_sensors)))

model_m.add(Conv1D(100, 10, activation='relu', padding='SAME', input_shape=(TIME_PERIODS, num_sensors)))