我试图用一层构建一个CNN，但我遇到了一些问题。 确实，编译者说我
值错误：检查模型输入时出错：预期conv1d_1_input 具有 3 个维度，但得到具有形状的数组 (569， 30)
这是代码
import numpy
from keras.models import Sequential
from keras.layers.convolutional import Conv1D
numpy.random.seed(7)
datasetTraining = numpy.loadtxt("CancerAdapter.csv",delimiter=",")
X = datasetTraining[:,1:31]
Y = datasetTraining[:,0]
datasetTesting = numpy.loadtxt("CancereEvaluation.csv",delimiter=",")
X_test = datasetTraining[:,1:31]
Y_test = datasetTraining[:,0]
model = Sequential()
model.add(Conv1D(2,2,activation='relu',input_shape=X.shape))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(X, Y, epochs=150, batch_size=5)
scores = model.evaluate(X_test, Y_test)
print("n%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))
TD; LR您需要重塑数据，使其具有空间维度，以便Conv1d有意义：
X = np.expand_dims(X, axis=2) # reshape (569, 30) to (569, 30, 1)
# now input can be set as
model.add(Conv1D(2,2,activation='relu',input_shape=(30, 1))
本质上是重塑如下所示的数据集：
features
.8, .1, .3
.2, .4, .6
.7, .2, .1
自：
[[.8
.1
.3],
[.2,
.4,
.6
],
[.7,
.2,
.1]]
解释和示例
通常卷积在空间维度上工作。核在产生张量的维度上"卷积"。在 Conv1D 的情况下，内核被传递到每个示例的"步骤"维度上。
您将看到 NLP 中使用的 Conv1D，其中steps是句子中的许多单词(填充到某个固定的最大长度)。这些单词将被编码为长度为 4 的向量。
下面是一个例句：
jack .1 .3 -.52 |
is .05 .8, -.7 |<--- kernel is `convolving` along this dimension.
a .5 .31 -.2 |
boy .5 .8 -.4 |/
在这种情况下，我们将输入设置为转换的方式：
maxlen = 4
input_dim = 3
model.add(Conv1D(2,2,activation='relu',input_shape=(maxlen, input_dim))
在本例中，您将要素视为空间维度，每个要素的长度为 1。(见下文)
这将是您的数据集中的一个示例
att1 .04 |
att2 .05 | < -- kernel convolving along this dimension
att3 .1 | notice the features have length 1. each
att4 .5 |/ example have these 4 featues.
我们将 Conv1D 示例设置为：
maxlen = num_features = 4 # this would be 30 in your case
input_dim = 1 # since this is the length of _each_ feature (as shown above)
model.add(Conv1D(2,2,activation='relu',input_shape=(maxlen, input_dim))
如您所见，您的数据集必须重新调整为 (569， 30， 1) 用：
X = np.expand_dims(X, axis=2) # reshape (569, 30, 1)
# now input can be set as
model.add(Conv1D(2,2,activation='relu',input_shape=(30, 1))
这是一个可以运行的完整示例(我将使用函数式 API)
from keras.models import Model
from keras.layers import Conv1D, Dense, MaxPool1D, Flatten, Input
import numpy as np
inp = Input(shape=(5, 1))
conv = Conv1D(filters=2, kernel_size=2)(inp)
pool = MaxPool1D(pool_size=2)(conv)
flat = Flatten()(pool)
dense = Dense(1)(flat)
model = Model(inp, dense)
model.compile(loss='mse', optimizer='adam')
print(model.summary())
# get some data
X = np.expand_dims(np.random.randn(10, 5), axis=2)
y = np.random.randn(10, 1)
# fit model
model.fit(X, y)
我在其他帖子中也提到了这一点：
要将形状(nrows, ncols)的常用特征表数据输入到Keras的Conv1d，需要以下2个步骤：
xtrain.reshape(nrows, ncols, 1)
# For conv1d statement:
input_shape = (ncols, 1)
例如，取鸢尾花数据集的前 4 个特征：
要查看常用格式及其形状：
iris_array = np.array(irisdf.iloc[:,:4].values)
print(iris_array[:5])
print(iris_array.shape)
输出显示通常的格式及其形状：
[[5.1 3.5 1.4 0.2]
[4.9 3. 1.4 0.2]
[4.7 3.2 1.3 0.2]
[4.6 3.1 1.5 0.2]
[5. 3.6 1.4 0.2]]
(150, 4)
以下代码更改格式：
nrows, ncols = iris_array.shape
iris_array = iris_array.reshape(nrows, ncols, 1)
print(iris_array[:5])
print(iris_array.shape)
输出上述代码数据格式及其形状：
[[[5.1]
[3.5]
[1.4]
[0.2]]
[[4.9]
[3. ]
[1.4]
[0.2]]
[[4.7]
[3.2]
[1.3]
[0.2]]
[[4.6]
[3.1]
[1.5]
[0.2]]
[[5. ]
[3.6]
[1.4]
[0.2]]]
(150, 4, 1)
这适用于 Keras 的 Conv1d。因为input_shape (4,1)是需要的。
我有一个稀疏矩阵作为输入，所以我无法在不转换为通常数组的情况下重塑它
解决方案是使用 keras Reshape 层：
from keras.layers.core import Reshape
...
model = Sequential()
model.add(Reshape((X.shape[1], 1), input_shape=(X.shape[1], )))
model.add(Conv1D(2,2,activation='relu'))
...
如果无法看到更多详细信息，则在预处理后数据形状不正确。
调整 X 形状以具有 3 个维度：
np.reshape(X, (1, X.shape[0], X.shape[1]))
对于稀疏矩阵，在我的例子中，行：73196，列：101 在将稀疏矩阵转换为数组后，我使用了 numpy 的 reshape 函数array_ = sparse_matrix.A然后我使用了以下代码
x_train_all = np.reshape(array_ , (73196, 101,1))
在输入层中，我使用了以下代码：
input2 = Input(shape=(101,1), dtype='float32', name='input2')