Python 多目标回归的CNN超参数优化错误

我试图用CNN解决一个多目标回归问题。为了优化超参数，我使用了Talos库，但最后出现了一个错误：

检查输入时出错：预期conv1d_1_输入有3个维度，但得到了具有形状的数组（280000，70）

数据集描述：X有70个特征，Y有32个目标 时间序列长度：509760个时间点

Shape of Dataset:

Train Data size: (400000, 70),
Train Target size: (400000, 32),
Test Data size: (109760, 70),
Test Target size: (109760, 32),

代码：

tf.keras.backend.clear_session（）
def模型（x_列、y_列、x_值、y_值、参数）：
n_时间步，n_特征，n_输出=x_train.shape[0]，x_train.shape[1]，y_train.shape[1]
模型=顺序（）
添加（Conv1D（filters=params['conv1\u filter']，kernel\u size=（3），activation=params['activation']，input\u shape=（n\u timesteps，n\u features）））
添加（Conv1D（filters=params['conv2\u filter']，kernel\u size=（3），activation=params['activation']））
添加（最大池1d（池大小=2））
model.add（Dropout（参数['Dropout']））
add（Conv1D（filters=8，kernel_size=3，activation=params['activation']））
添加（最大池1d（池大小=2））
model.add（密集型（100，activation=params['activation']））
模型添加（密集（n_输出））
model.add（展平（））
compile（loss='mse'，optimizer=params['optimizer']（），metrics=['acc'，fmeasure\u acc]）
out=model.fit（x_-train，y_-train，validation_-data=[x_-val，y_-val]，batch_-size=params['batch_-size']，epochs=params['epochs']，verbose=1，shuffle=True）
退场，模特
p={'conv1_filter'：[32]，
“conv2_过滤器”：[32]，
“优化器”：[Nadam]，
“批量大小”：[1000]，
“时代”：[5]，
“辍学”：[0.5]，
“激活”：[relu]}
#然后进行实验
t=ta.Scan（x=x_序列，y=y_序列，模型=model，参数=p，实验号=1’）

错误如下：

168#输入参数部分结束
169
-->170 self.\u null=self.runtime（）
171
172 def运行时（自）：
/运行时中的anaconda3/lib/python3.7/site-packages/talos/scan/scan.py（self）
173
174 self=扫描准备（self）
-->175 self=扫描运行（self）
/anaconda3/lib/python3.7/site-packages/talos/scan/scan_run.py in scan_run（self）
16禁用=自我禁用（进度条）
17而len（自参数日志）！=0:
--->18 self=扫描（self）
19自我保护更新（1）
20 self.pbar.close（）
/anaconda3/lib/python3.7/site-packages/talos/scan/scan_round.py in scan_round（self）
30#适合模型
31尝试：
--->32_hr_out，self.keras_model=摄取_model（self）
33除类型错误作为错误外：
34如果err.args[0]=“不支持+：'int'和'numpy.str'的操作数类型”：
/anaconda3/lib/python3.7/site-packages/talos/model/ingest_model.py in ingest_model（self）
8 self.x_val，
9自我价值，
--->10.自身圆度（参数）
模型中（x_列、y_列、x_值、y_值、参数）
20
21
--->22 out=model.fit（x_-train，y_-train，validation_-data=[x_-val，y_-val]，批量大小=params['batch_-size']，年代=params['epochs']，详细=1，随机=True）
23
24
/anaconda3/lib/python3.7/site-packages/keras/engine/training.py适合（self、x、y、批量大小、历元、详细信息、回调、验证分割、验证数据、混洗、类权重、样本权重、初始历元、每个历元的步骤、验证步骤、**夸克）
950样品重量=样品重量，
951类重量=类重量，
-->952批次大小=批次大小）
953#准备验证数据。
954 do_验证=错误
/anaconda3/lib/python3.7/site-packages/keras/engine/training.py在标准化用户数据中（自身、x、y、样本重量、类别重量、检查数组长度、批次大小）
749馈送输入形状，
750检查批处理轴=False，#不强制执行批处理大小。
-->751异常（前缀为“输入”）
752
753如果y不是无：
/标准化输入数据（数据、名称、形状、检查批处理轴、异常前缀）中的anaconda3/lib/python3.7/site-packages/keras/engine/training\u utils.py
126'：预期'+names[i]+'具有'+
127 str（len（shape））+'维度，但得到数组'
-->128'带形状'+str（数据形状））
129如果不检查批次轴：
130数据形状=数据形状[1:]
ValueError：检查输入时出错：预期conv1d_1_输入为3维，但得到了形状为（280000，70）的数组。

我再次查看了它，代码中需要更改一些内容。我测试了它，现在应该可以工作了：

首先，模型本身有几个问题

也就是说，模型的输入应该是

（n\u功能，1）

，而不是

（n\u时间步，n\u功能）

。Keras内部认为，在给出输入形状时，您忽略了批处理维度。因此，当它将注册为一个形状时，

（批大小，n特征，1）

。最后一个维度是必需的，以便与

Conv1D

兼容

它应该是这样的：

model.add（Conv1D（filters=params['conv1\u filter']，kernel\u size=（3），activation=params['activation']，input\u shape=（n\u features，1）））

其次，模型不应该以

flant（）

层结束。相反，该层应该位于

Dense（）

层之前（这样它可以看到2D输入，而不是3D输入）。两次更改后，模型应如下所示：

model=Sequential（）
添加（Conv1D（filters=params['conv1\u filter']，kernel\u size=（3），activation=params['activation']，input\u shape=（n\u features，1）））
添加（Conv1D（filters=params['conv2\u filter']，kernel\u size=（3），activation=params['activation']））
添加（最大池1d（池大小=2））
模型。添加（辍学）（参数