Python Keras Conv1D塔如何连接到初始模块中？

我有18个特征和2个类的数据。我有一个用于这个数据的Keras卷积网络，它工作得很好。现在我正试图为相同的数据建立一个inception模块网络。当我尝试这样做时，在连接步骤中出现了一些错误

我曾尝试将

Conv1D

层的塔楼连接起来，就像我对

Conv2D

层所做的那样，但这不起作用

工作简单卷积模型如下所示：

model = Sequential()
model.add(Conv1D(32, (5), strides = (1), input_shape = (18, 1), activation = 'tanh'))
model.add(MaxPooling1D(pool_size = (2), strides = (2)))
model.add(Conv1D(32, (3), strides = (1), input_shape = (18, 1), activation = 'tanh'))
model.add(Flatten())
model.add(Dense(300,                                            activation = 'tanh'))
model.add(Dense(300,                                            activation = 'tanh'))
model.add(Dropout(rate = 0.5))
model.add(Dense(num_classes,                                    activation = 'softmax', name = "preds"))
model.compile(loss = "categorical_crossentropy", optimizer = "nadam", metrics = ['accuracy'])

inputs  = Input((18, 1))
tower_1 = MaxPooling1D(pool_size=(3), strides=(2), padding='same')(inputs)
tower_1 = Conv1D(32, (1), activation='tanh', border_mode='same')(tower_1)
tower_2 = Conv1D(32, (1), activation='tanh', border_mode='same')(inputs)
tower_2 = Conv1D(32, (3), activation='tanh', border_mode='same')(tower_2)
tower_3 = Conv1D(32, (1), activation='tanh', border_mode='same')(inputs)
tower_3 = Conv1D(32, (5), activation='tanh', border_mode='same')(tower_3)
x       = concatenate([tower_1, tower_2, tower_3], axis=3)
x       = Flatten()(x)
x       = Dense(50, activation='tanh')(x)
preds   = Dense(num_classes, activation='softmax', name='preds')(x)
model   = Model(input=inputs, output=preds)
model.compile(loss='categorical_crossentropy', optimizer='nadam', metrics  =['accuracy'])

现在，包含三个回旋塔的初始模型如下：

model = Sequential()
model.add(Conv1D(32, (5), strides = (1), input_shape = (18, 1), activation = 'tanh'))
model.add(MaxPooling1D(pool_size = (2), strides = (2)))
model.add(Conv1D(32, (3), strides = (1), input_shape = (18, 1), activation = 'tanh'))
model.add(Flatten())
model.add(Dense(300,                                            activation = 'tanh'))
model.add(Dense(300,                                            activation = 'tanh'))
model.add(Dropout(rate = 0.5))
model.add(Dense(num_classes,                                    activation = 'softmax', name = "preds"))
model.compile(loss = "categorical_crossentropy", optimizer = "nadam", metrics = ['accuracy'])

inputs  = Input((18, 1))
tower_1 = MaxPooling1D(pool_size=(3), strides=(2), padding='same')(inputs)
tower_1 = Conv1D(32, (1), activation='tanh', border_mode='same')(tower_1)
tower_2 = Conv1D(32, (1), activation='tanh', border_mode='same')(inputs)
tower_2 = Conv1D(32, (3), activation='tanh', border_mode='same')(tower_2)
tower_3 = Conv1D(32, (1), activation='tanh', border_mode='same')(inputs)
tower_3 = Conv1D(32, (5), activation='tanh', border_mode='same')(tower_3)
x       = concatenate([tower_1, tower_2, tower_3], axis=3)
x       = Flatten()(x)
x       = Dense(50, activation='tanh')(x)
preds   = Dense(num_classes, activation='softmax', name='preds')(x)
model   = Model(input=inputs, output=preds)
model.compile(loss='categorical_crossentropy', optimizer='nadam', metrics  =['accuracy'])

当我尝试运行后者时，我得到了以下输出，我不知道为什么：

---------------------------------------------------------------------------
    IndexError                                Traceback (most recent call last)
    <ipython-input-22-1dbf3d2822ae> in <module>()
          6 tower_3 = Conv1D(32, (1), activation='tanh', border_mode='same')(inputs)
          7 tower_3 = Conv1D(32, (5), activation='tanh', border_mode='same')(tower_3)
    ----> 8 x       = concatenate([tower_1, tower_2, tower_3], axis=3)
          9 x       = Flatten()(x)
         10 #x       = Dense(50, activation='tanh')(x)

    /usr/local/lib/python3.6/dist-packages/keras/layers/merge.py in concatenate(inputs, axis, **kwargs)
        639         A tensor, the concatenation of the inputs alongside axis `axis`.
        640     """
    --> 641     return Concatenate(axis=axis, **kwargs)(inputs)
        642 
        643 

    /usr/local/lib/python3.6/dist-packages/keras/engine/base_layer.py in __call__(self, inputs, **kwargs)
        429                                          'You can build it manually via: '
        430                                          '`layer.build(batch_input_shape)`')
    --> 431                 self.build(unpack_singleton(input_shapes))
        432                 self.built = True
        433 

    /usr/local/lib/python3.6/dist-packages/keras/layers/merge.py in build(self, input_shape)
        346         shape_set = set()
        347         for i in range(len(reduced_inputs_shapes)):
    --> 348             del reduced_inputs_shapes[i][self.axis]
        349             shape_set.add(tuple(reduced_inputs_shapes[i]))
        350         if len(shape_set) > 1:

    IndexError: list assignment index out of range

---------------------------------------------------------------------------
索引器回溯（最后一次最近调用）
在（）
6塔架3=Conv1D（32，（1），激活=tanh'，边界模式=same'）（输入）
7塔楼3=Conv1D（32，（5），激活=tanh'，边界模式=same'）（塔楼3）
---->8 x=连接（[塔1，塔2，塔3]，轴=3）
9 x=展平（）（x）
10#x=稠密（50，活化=tanh'）（x）
/usr/local/lib/python3.6/dist-packages/keras/layers/merge.py串联（输入，轴，**kwargs）
639 A张量，沿“轴”的输入的串联。
640     """
-->641返回串联（轴=轴，**kwargs）（输入）
642
643
/usr/local/lib/python3.6/dist-packages/keras/engine/base_layer.py in_uuu_________（self，input，**kwargs）
429'您可以通过以下方式手动构建它：'
430'`layer.build（批处理输入形状）`）
-->431自构建（解包单例（输入形状））
432自建=真
433
/usr/local/lib/python3.6/dist-packages/keras/layers/merge.py内置（self，input_shape）
346形状_集=集（）
347适用于范围内的i（len（减少的_输入_形状））：
-->348 del reduced_输入_形状[i][self.axis]
349 shape_set.add（元组（减少的_输入_形状[i]））
350如果透镜（形状设置）>1：
索引器：列表分配索引超出范围

---

朋友们，同志们，你们能告诉我为什么会发生这种情况以及如何解决它吗？

对于Conv1D，通常的输入和输出形状的格式是

（批量、宽度、通道）

，因此与轴=3的合并超出了范围，这将是Conv2D使用的值，它具有四维输入和输出

因此，简单的解决方案是在此处使用

axis=2

：

x       = concatenate([tower_1, tower_2, tower_3], axis=2)

---

对于Conv1D，通常的输入和输出形状的格式为

（批次尺寸、宽度、通道）

，因此与

轴=3的合并超出了范围，这将是您在具有四维输入和输出的Conv2D中使用的值

因此，简单的解决方案是在此处使用
axis=2
：

x       = concatenate([tower_1, tower_2, tower_3], axis=2)

你有3个轴吗？1号塔、2号塔等的形状是什么？我想你应该沿着轴=2连接。@dgumo啊，就是这样。非常感谢！：）你有3个轴吗？1号塔、2号塔等的形状是什么？我想你应该沿着轴=2连接。@dgumo啊，就是这样。非常感谢！：）魔术！谢谢你，霍姆布。谢谢你的帮助对问题的轻快解释。魔术！谢谢你，霍姆布雷。谢谢你对问题的轻快解释。