Python 用Conv1D替换密集自动编码器中的一层

我目前在keras中有一个完全连接的自动编码器，如下所示：

model.add(Dense(4096, input_shape=(4096,), activation='relu'))
model.add(Dense(512, activation='relu'))
model.add(Dense(64, activation='relu'))
model.add(Dense(512, activation='relu'))
model.add(Dense(4096, activation='relu'))

model = Sequential()
model.add(Dense(4096, input_shape=(4096,), activation='relu'))
model.add(Conv1D(512,3, activation='relu'))
model.add(Dense(64, activation='relu'))
model.add(Conv1D(512,3, activation='relu'))
model.add(Dense(4096, activation='relu'))

数据由时间序列数据组成，这些数据通过FFT转换为频域

我的训练数据的形状如下：（8000，4096），其中我有8000个样本，4096个样本代表频率。这个模型很好用

我试图实现的是用Conv1d替换两个有512个单元的密集层，看看这是否会改善我的结果，类似这样：

model.add(Dense(4096, input_shape=(4096,), activation='relu'))
model.add(Dense(512, activation='relu'))
model.add(Dense(64, activation='relu'))
model.add(Dense(512, activation='relu'))
model.add(Dense(4096, activation='relu'))

model = Sequential()
model.add(Dense(4096, input_shape=(4096,), activation='relu'))
model.add(Conv1D(512,3, activation='relu'))
model.add(Dense(64, activation='relu'))
model.add(Conv1D(512,3, activation='relu'))
model.add(Dense(4096, activation='relu'))

现在，这不起作用，因为Conv1D希望我的数据有3个维度：

Input 0 is incompatible with layer conv1d_12: expected ndim=3, found ndim=2

如何确保Conv1d层获得正确的输入形状

使用模型。是否可能添加（重塑（？，？）

以某种方式将我的输入数据重塑为三维

我曾尝试将输入形状更改为“强制”第三维度，并在第一个密集层和第一个Conv1D层之间进行重塑，但这似乎不起作用

我意识到这里有很多关于Conv1D网络输入形状的问题，但请注意，我不希望卷积滤波器跨越多个样本，只跨越频率值

提前谢谢

更新：按照daniels的建议，我能够编译模型并开始训练（尽管我的GPU对我大喊大叫）

但是，我希望我的Conv1d层具有以下输出形状：

conv1d_71 (Conv1D)           (None, 512, 1)

我是在错误的维度上做卷积吗？如果是这样，我该如何改变这种情况？或者我是否误解了卷积层的工作原理？

方法1-在密集层中保持长度 这对于自动编码器来说不是很有用，因为它不会真正压缩数据，因为4096的长度仍然存在

这应该是自动工作，但似乎你有一个旧的keras版本

正如您所做的那样，在第一次卷积之前，像

（4096,1）

一样对其进行重塑。
然后，

密集的

层应该可以正常工作。如果没有，请使用

时间分布（密集（…）

考虑在卷积中使用

padding='same'

，以方便使用

最后一层应该是类似于

Conv1D（1，…）

的层，而不是

密集的层。
最后用
（4096，）
进行重塑

方法2-不要保持长度
在第一次转换后，您应该对其进行重塑以删除三维尺寸标注，但请注意：


频道：512
长度：

如果使用
padding='same'
：4096
其他：4094



然后您应该重新调整为
（4096*512，）
，这相当大，将显著增加模型中可训练参数的数量

在下一次转换之前，再次转换为
（64,1）
，然后再转换为
（64*512），
（如果不使用填充，则转换为62）

您可以探索这些方法的组合。始终记住，如果使用最新的keras版本，CONV将作为
（批次、长度、通道）
，DENSE将作为
（批次，…任何…，单位）
。如果没有，你必须正确地处理这个
…不管什么…
。
将你的输入重塑为3D:
模型。添加（重塑（重塑（输入形状=（4096，），目标形状=（4096，1））
谢谢Primusa，但是你在这里显示的cod不会给出2D输出吗？e、 g目标形状必须是（4096,1，）或可能是（4096,1,1）？不管怎样，我试着让你知道Keras推断第一维度为批量大小，你真的在重塑（批量大小，4096，1）@Primusa啊，我明白了，那么这是有意义的。您会在哪里添加此方法？在第一次conv1d之前，我尝试了重塑，但随后致密层出现了尺寸误差，我似乎不允许在第一次conv1d之后改变形状。（数组的新大小必须相同）第一层，这就是为什么要指定input_形状。在输出过程中，您可能需要将其重新调整为2D输入Hank’s，以获得您的完整答案Daniel。我现在正试着把我的头绕在这上面，对我来说，好像我在错误的轴上应用了卷积滤波器。我可能误解了卷积网络的工作原理，我将用一些额外的信息更新我原来的问题。