如何在Keras中实现矢量数据的一维卷积自动编码器？

自动编码器的输入向量大小为128。我总共有730个样品（730x128）。我正在尝试使用1D CNN自动编码器。我想稍后使用隐藏层作为我新的低维表示。 我的代码现在运行，但我的解码输出甚至不接近原始输入。 代码如下：

input\u sig=input（批处理形状=（无，128,1））
x=Conv1D（64,3，activation='relu'，padding='valid'）（输入信号）
x1=MaxPoolg1d（2）（x）
x2=Conv1D（32,3，激活='relu'，填充='valid'）（x1）
x3=最大池1d（2）（x2）
展平=展平（）（x3）
编码=密集（32，激活='relu'）（平坦）
打印（“编码{}的形状”。格式（K.int_形状（平面）））
x2=Conv1D（32,3，激活='relu'，填充='valid'）（x3）
x1_u1;=上采样1d（2）（x2_1;）
x=Conv1D（64,3，激活='relu'，填充='valid'）（x1）
upsamp=UpSampling1D（2）（x）
展平=展平（）
解码=密集（128，激活='relu'）（平坦）
解码=重塑（（128,1））（解码）
打印（“解码{}的形状”。格式（K.int_形状（x1_）））
自动编码器=型号（输入信号，解码）
编译（优化器='adam'，loss='mse'，metrics=['accurity']）

然后，自动编码器的输入为-->（730128,1） 但是当我将原始信号与解码信号进行对比时，它们是非常不同的！！

---

谢谢你在这方面的帮助

您需要一个带有“sigmoid”激活的单通道卷积层来重建解码图像。 看看下面的例子。您可以使用loss='mse'和optimizer='adam'编译它

input_sig = Input(batch_shape=(1,128,1))
x = Conv1D(8,3, activation='relu', padding='same',dilation_rate=2)(input_sig)
x1 = MaxPooling1D(2)(x)
x2 = Conv1D(4,3, activation='relu', padding='same',dilation_rate=2)(x1)
x3 = MaxPooling1D(2)(x2)
x4 = AveragePooling1D()(x3)
flat = Flatten()(x4)
encoded = Dense(2)(flat)
d1 = Dense(64)(encoded)
d2 = Reshape((16,4))(d1)
d3 = Conv1D(4,1,strides=1, activation='relu', padding='same')(d2)
d4 = UpSampling1D(2)(d3)
d5 = Conv1D(8,1,strides=1, activation='relu', padding='same')(d4)
d6 = UpSampling1D(2)(d5)
d7 = UpSampling1D(2)(d6)
decoded = Conv1D(1,1,strides=1, activation='sigmoid', padding='same')(d7)
model= Model(input_sig, decoded)

---

培训数据集和验证数据集的损失都减少了吗？@hikaru，是的，略有减少。我是否对解码器有正确的直觉（反褶积和上采样）？您随后在模型中在哪里使用

编码的
？难道这不应该连接到解码器吗？这个问题解决了吗？我想做一些类似的事情，除了我的一维向量是3000长。。。。