Python 卷积层失配中的Keras维数

我正试着和Keras一起构建我的第一个神经网络。我没有经验，我似乎不明白为什么我的维度不正确。我无法从他们的文档中找出这个错误的原因，甚至无法找出是哪一层造成的

我的模型接受一个32字节的数字数组，应该在另一端给出一个布尔值。我想对输入字节数组进行一维卷积

arr1是32字节数组，arr2是布尔数组

inputData = np.array(arr1)
inputData = np.expand_dims(inputData, axis = 2)

labelData = np.array(arr2)

print inputData.shape
print labelData.shape

model = k.models.Sequential()
model.add(k.layers.convolutional.Convolution1D(32,2, input_shape = (32, 1)))
model.add(k.layers.Activation('relu'))

model.add(k.layers.convolutional.Convolution1D(32,2))
model.add(k.layers.Activation('relu'))

model.add(k.layers.convolutional.Convolution1D(32,2))
model.add(k.layers.Activation('relu'))

model.add(k.layers.convolutional.Convolution1D(32,2))
model.add(k.layers.Activation('relu'))

model.add(k.layers.core.Dense(32))
model.add(k.layers.Activation('sigmoid'))

model.compile(loss = 'binary_crossentropy',
              optimizer = 'rmsprop',
              metrics=['accuracy'])
model.fit(
    inputData,labelData
)

形状打印的输出为 （1000,32,1）和（1000，）

我收到的错误是：

回溯（最近一次调用）：文件“cnn/init.py”，第行 50，英寸 inputData，labelData文件“/home/steve/Documents/cnn/env/local/lib/python2.7/site packages/keras/models.py”， 第863行，合适的 initial_epoch=initial_epoch）文件“/home/steve/Documents/cnn/env/local/lib/python2.7/site packages/keras/engine/training.py”， 第1358行，合适的 批量大小=批量大小）文件“/home/steve/Documents/cnn/env/local/lib/python2.7/site packages/keras/engine/training.py”， 第1238行，标准化用户数据 异常文件“/home/steve/Documents/cnn/env/local/lib/python2.7/site packages/keras/engine/training.py”， 第128行，输入数据 str（array.shape））ValueError:检查目标时出错：预期激活_5有3个维度，但得到了形状为（1000，1）的数组

---

在我看来，你需要在谷歌上搜索更多关于卷积网络的信息：-）

在每个步骤中，您都要在yout序列上应用32个长度为2的过滤器。因此，如果我们遵循每层后张量的尺寸：

维度：（无、32、1）

维度：（无、31、32） （长度为2的过滤器覆盖整个序列，因此序列现在的长度为31）

维度：（无、30、32） （由于过滤器的长度为2，您再次丢失了一个值，但仍有32个过滤器）

维度：（无、29、32） （相同……）

维度：（无、28、32）

现在你想在上面用一个致密层。。。问题是，在3D输入中，密集层的工作方式如下：

model.add(k.layers.core.Dense(32))
model.add(k.layers.Activation('sigmoid'))

维度：（无、28、32）

这是您的输出。我觉得奇怪的第一件事是，你想从你的密集层中得到32个输出。。。你应该放1而不是32。但即使这样也不能解决你的问题。查看如果更改最后一层会发生什么：

model.add(k.layers.core.Dense(1))
model.add(k.layers.Activation('sigmoid'))

维度：（无、28、1）

这是因为将密集层应用于“2D”张量。如果将密集（1）层应用于输入[28,32]，它会产生一个形状（32,1）的权重矩阵，并应用于28个向量，这样您就会发现自己有28个大小为1的输出

我建议修改最后两层，如下所示：

model = k.models.Sequential()
model.add(k.layers.convolutional.Convolution1D(32,2, input_shape = (32, 1)))
model.add(k.layers.Activation('relu'))

model.add(k.layers.convolutional.Convolution1D(32,2))
model.add(k.layers.Activation('relu'))

model.add(k.layers.convolutional.Convolution1D(32,2))
model.add(k.layers.Activation('relu'))

# Only use one filter so that the output will be a sequence of 28 values, not a matrix.
model.add(k.layers.convolutional.Convolution1D(1,2))
model.add(k.layers.Activation('relu'))

# Change the shape from (None, 28, 1) to (None, 28)
model.add(k.layers.core.Flatten())

# Only one neuron as output to get the binary target.
model.add(k.layers.core.Dense(1))
model.add(k.layers.Activation('sigmoid'))

现在，最后两步将从

（无，29，32）->（无，28，1）->（无，28）->（无，1）

我希望这对你有帮助

注：如果你想知道“无”是什么，这是批次的尺寸，你不需要一次输入1000个样本，而是一批一批地输入，因为值取决于选择的是什么，按照惯例，我们将“无”

编辑：

进一步解释为什么序列长度在每一步都会丢失一个值

假设您有一个由4个值组成的序列

[x1 x2 x3 x4]

，您希望使用长度为2的过滤器

[f1 f2]

对该序列进行卷积。第一个值由

y1=[f1 f2]*[x1 x2]

给出，第二个值为

y2=[f1 f2]*[x2 x3]

，第三个值为

y3=[f1 f2]*[x3 x4]

。然后，您到达序列的末尾，无法继续。因此，您有一个sequnce

[y1 y2 y3]

这是由于过滤器长度和序列边界处的效果造成的。有多个选项，一些用0填充序列以获得完全相同的输出长度。。。您可以使用参数

“padding”

选择该选项。你可以找到不同的。我鼓励您阅读最后一个链接，它提供了有关输入和输出形状的信息

从文档：

填充：“有效”或“相同”（不区分大小写）之一。“有效”表示“无填充”。“相同”导致填充输入，使输出与原始输入具有相同的长度

默认值为“valid”，因此不在示例中填充

---

我还建议您将keras版本升级到最新版本。卷积1d现在是Conv1D，因此您可能会发现文档和教程令人困惑。

谢谢！！我明白为什么我现在有维度问题了。我不明白为什么卷积步骤会丢失一个字节？在我看来，卷积是穿过这一行的，对于每一个x，它都与自身和其他x卷积在一起。因此，在我看来，在代码中，这就像是一个嵌套的for循环，我用更多信息编辑了我的答案：）

model.add(k.layers.convolutional.Convolution1D(32,2))
model.add(k.layers.Activation('relu'))

model.add(k.layers.core.Dense(32))
model.add(k.layers.Activation('sigmoid'))

model.add(k.layers.core.Dense(1))
model.add(k.layers.Activation('sigmoid'))

model = k.models.Sequential()
model.add(k.layers.convolutional.Convolution1D(32,2, input_shape = (32, 1)))
model.add(k.layers.Activation('relu'))

model.add(k.layers.convolutional.Convolution1D(32,2))
model.add(k.layers.Activation('relu'))

model.add(k.layers.convolutional.Convolution1D(32,2))
model.add(k.layers.Activation('relu'))

# Only use one filter so that the output will be a sequence of 28 values, not a matrix.
model.add(k.layers.convolutional.Convolution1D(1,2))
model.add(k.layers.Activation('relu'))

# Change the shape from (None, 28, 1) to (None, 28)
model.add(k.layers.core.Flatten())

# Only one neuron as output to get the binary target.
model.add(k.layers.core.Dense(1))
model.add(k.layers.Activation('sigmoid'))