Keras/Tensorflow Conv1D预期输入形状

我想对我的29个特征输入数据应用一维卷积（如29x1形状）。我告诉Keras，

input\u shape=（29,1）

但我得到一个错误，它希望输入“有3个维度，但得到了具有形状（4000,29）的数组”为什么Keras需要三维空间？

Keras文档给出了一个如何使用input_shape的奇怪示例：

（无，128）用于每个步骤具有128个特征的可变长度序列

我不确定可变长度序列是什么意思，但由于我有29个功能，我也尝试了

（无，29）

和

（1,29）

，并得到了类似的错误

我是否误解了一维卷积的作用

下面是一个直观的描述，我希望Conv1D在给定7x1输入的情况下，内核大小为3时能做些什么

[x][x][x][ ][ ][ ][ ]
[ ][x][x][x][ ][ ][ ]
[ ][ ][x][x][x][ ][ ]
[ ][ ][ ][x][x][x][ ]
[ ][ ][ ][ ][x][x][x]

---

为什么Keras需要三维空间

这三个维度是（批次大小、特征大小、通道）

定义1D Conv图层

Conv1D(32, (3), activation='relu' , input_shape=( 29, 1 ))

将（4000,29,1）个样品送入该层

简单的例子：

from keras import models, layers
import numpy as np

x = np.ones((10, 29, 1))
y = np.zeros((10,))
model = models.Sequential()
model.add(layers.Conv1D(32, (3), activation='relu' , input_shape=( 29,1)))
model.add(layers.Flatten())
model.add(layers.Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer= "adam", metrics=['accuracy'])
print(model.summary())
model.fit(x,y)

---

因此，

input\u shape

中省略了

batch\u size

参数，其中

（29,1）

的定义实际上意味着

（batch\u size\u省略，29,1）

。Keras拒绝吃一维np阵列，因为CNN通常用于三维图像（“通道”R、G、B）。尽管我们只有1个通道，但我们必须将1d阵列封装到大小为29x1的矩阵中。是的，文档中提到不包括batch axis（）。即使对于具有一个通道的灰度图像，也必须指定通道尺寸。