将维度输入到keras中的一维卷积网络

Question

真的很难理解keras:中卷积1d层的输入维度

输入形状

具有形状的三维张量：（样本、步长、input_dim）。

输出形状

具有形状的3D张量：（samples，new_steps，nb_filter）。步长值可能由于填充而更改。

我希望我的网络接收价格的时间序列（按顺序为101）并输出4个概率。我目前的非卷积网络做得很好（训练集为28000）看起来是这样的：

standardModel = Sequential()
standardModel.add(Dense(input_dim=101, output_dim=100, W_regularizer=l2(0.5), activation='sigmoid'))
standardModel.add(Dense(4, W_regularizer=l2(0.7), activation='softmax'))

为了改进这一点，我想从输入层制作一个具有长度为10的局部感受野的特征图。（因此具有10个共享权重和1个共享偏置）。然后我想使用最大池，并将其输入到一个由40个左右神经元组成的隐藏层，然后用4个神经元输出，在外层使用softmax。

图片（非常抱歉！）

因此，理想情况下，卷积层将采用二维维度张量：

（minibatch_size，101）

并输出维度的三维张量

（minibatch_size，91，no_of_featuremaps）

然而，keras层似乎需要一个名为step的输入中的维度。我试着理解这个，但仍然没有完全理解。在我的情况下，步长应该是1吗，因为向量中的每一步都是时间的增加1？另外，什么是new_step？

此外，如何将池化层（三维张量）的输出转换为适用于二维张量形式的标准隐藏层（即密集keras层）的输入？

更新：在给出了非常有用的建议后，我尝试制作一个卷积网络，如下所示：

conv = Sequential()
conv.add(Convolution1D(64, 10, input_shape=(1,101)))
conv.add(Activation('relu'))
conv.add(MaxPooling1D(2))
conv.add(Flatten())
conv.add(Dense(10))
conv.add(Activation('tanh'))
conv.add(Dense(4))
conv.add(Activation('softmax'))

行conv.Add（Flatten（））抛出的范围超出有效边界错误。有趣的是，这个错误不是针对以下代码抛出的：

conv = Sequential()
conv.add(Convolution1D(64, 10, input_shape=(1,101)))
conv.add(Activation('relu'))
conv.add(MaxPooling1D(2))
conv.add(Flatten())

进行

print conv.input_shape
print conv.output_shape

中的结果

(None, 1, 101
(None, -256)

正在返回

更新2:

已更改

conv.add(Convolution1D(64, 10, input_shape=(1,101)))

至

conv.add(Convolution1D(10, 10, input_shape=(101,1))

它开始工作了。但是将（None，101，1）输入到1d conv层，或者输入我应该知道的（None，1101）？为什么（无，1101）不起作用？

Answer 1

它看起来像这样的原因是Keras设计器打算将一维卷积框架解释为处理序列的框架。为了完全理解差异，试着想象你有一个多个特征向量的序列。然后你的输出将至少是二维的——第一个维度与时间相连，其他维度与特征相连。一维卷积框架的设计是为了在某种程度上突出这个时间维度，并试图在数据中找到重复出现的模式，而不是执行经典的多维卷积变换。

在您的情况下，您必须简单地将数据整形为shape（dataset_size，101，1），因为您只有一个特性。使用CCD_ 1函数可以很好地完成。为了理解新的步骤意味着什么——你必须理解你正在随着时间的推移进行卷积——所以你改变了数据的时间结构——这导致了新的时间连接结构。为了将数据转换为适合密集/静态层的格式，请使用keras.layers.flatten层，与经典卷积情况相同。

更新：正如我之前提到的，输入的第一个维度与时间有关。因此，(1, 101)和(101, 1)之间的区别在于，在第一种情况下，您有一个具有101个特征的时间步长，而在第二种情况下-101个具有1个特征的时步长。您在第一次更改后提到的问题源于对此类输入进行大小为2的池化。只有一个时间步长——不能在大小为2的时间窗口上汇集任何值——仅仅是因为没有足够的时间步长来实现这一点。