Keras 如何管理CNN的不同类型和形状的额外输入

我正在训练一个CNN来检测我输入数据上的特定模式，如果发现模式，则返回1。 输入都是形状（200，），标签是（1，）。我的数据有限，因此我需要找到帮助培训的方法

当输入最初来自更早的时间时，模式和峰值往往更圆。当它们最初来自较晚的时间时，它们往往更吵闹、更刺耳

我想如果我把我所有的数据按照它们来自的时间分成3个箱子（从圆到尖，可能是0到2），我可以提供这些数据，这可以帮助CNN更好地理解这种模式，但我不确定如何提供这些信息

这是我目前的代码：

model_m5 = Sequential()
model_m5.add(Reshape((200, 1), input_shape=(200,)))
model_m5.add(Conv1D(60, 4, activation='relu', input_shape=(200, 1)))
model_m5.add(Conv1D(60, 4, activation='relu'))
model_m5.add(MaxPooling1D(pool_size=5))
model_m5.add(Conv1D(80, 10, activation='relu'))
model_m5.add(Conv1D(80, 10, activation='relu'))
model_m5.add(GlobalAveragePooling1D())
model_m5.add(Dropout(0.5))
model_m5.add(Dense(1, activation='sigmoid'))
print(model_m5.summary())

---

TensorFlow的WideDeepModel满足了我的要求

这使得在拥有深层模型（

dnn_模型

）后，可以很容易地包含线性组件（

linear_模型

）；通过这种方式，您可以在组合模型中一起训练它们：

tf.keras.experimental.WideDeepModel(
    linear_model, dnn_model, activation=None, **kwargs
)

文档和示例可在此处找到：

---

你为什么要和CNN一起训练时间序列？CNN是图像和视频。我知道它主要是图像。我之所以尝试Conv1D，是因为模式非常复杂，但如果性能相同，可能会返回到更简单的体系结构。将Conv1用于模式很有趣。但是你应该尝试时间序列的特定库，而不是从头开始。你能给我一个特定库的例子吗？谢谢你！