我想使用LSTM层之后的1D-Conv层来对16通道400倍步长信号进行分类 .
输入形状由以下部分组成:
-
X = (n_samples, n_timesteps, n_features)
,其中n_samples=476
,n_timesteps=400
,n_features=16
是信号的采样数,时间步长和特征(或通道) . -
y = (n_samples, n_timesteps, 1)
. 每个时间步长标记为0或1(二进制分类) .
我使用1D-Conv来提取时间信息,如下图所示 . F=32
和 K=8
是过滤器和kernel_size . 在1D-Conv之后使用1D-MaxPooling . 32单元LSTM用于信号分类 . 该模型应返回 y_pred = (n_samples, n_timesteps, 1)
.
代码段如下所示:
input_layer = Input(shape=(dataset.n_timestep, dataset.n_feature))
conv1 = Conv1D(filters=32,
kernel_size=8,
strides=1,
activation='relu')(input_layer)
pool1 = MaxPooling1D(pool_size=4)(conv1)
lstm1 = LSTM(32)(pool1)
output_layer = Dense(1, activation='sigmoid')(lstm1)
model = Model(inputs=input_layer, outputs=output_layer)
模型摘要如下所示:
但是,我收到以下错误:
ValueError: Error when checking target: expected dense_15 to have 2 dimensions, but got array with shape (476, 400, 1).
我猜问题是形状不正确 . 请让我知道如何解决它 .
另一个问题是时间步数 . 因为 input_shape
是在1D-Conv中分配的,我们怎么能让LSTM知道时间步长必须是400?
我想根据@today的建议添加模型图 . 在这种情况下,LSTM的时间步长将为98.在这种情况下我们是否需要使用TimeDistributed?我未能在Conv1D中应用TimeDistributed .
无论如何,在 Channels 之间进行卷积而不是时间步长?例如,过滤器(2,1)遍历每个时间步,如下图所示 .
谢谢 .
2 回答
如果你想为每个时间步长预测一个值,我会想到两个略有不同的解决方案:
1) 删除
MaxPooling1D
图层,将padding='same'
参数添加到Conv1D
图层并将return_sequence=True
参数添加到LSTM,以便LSTM返回每个时间步的输出:模型摘要将是:
2) 只需将Dense图层中的单位数更改为400,然后将
y
重新整形为(n_samples, n_timesteps)
:模型摘要将是:
不要忘记在这两种情况下都必须使用
'binary_crossentropy'
(而不是'categorical_crossentropy'
)作为损失函数 . 我希望这个解决方案的准确度低于解决方案#1;但您必须尝试两者并尝试更改参数,因为它完全取决于您尝试解决的具体问题以及您拥有的数据的性质 .Update:
您要求的卷积层仅覆盖一个时间步长和k个相邻要素 . 是的,你可以使用Conv2D层来做到这一点:
虽然我不知道为什么要这样做,但要使用卷积层的输出(
(?, n_timesteps, n_features, n_filters)
,一种解决方案是使用包裹在TimeDistributed层内的LSTM层 . 或者另一种解决方案是将最后两个轴展平 .输入和输出形状是(476,400,16)和(476,1) - 这意味着它只是每个完整序列输出一个值 .
你的LSTM没有撤回序列(return_sequences = False) . 但即使你在LSTM之前进行Conv1D和MaxPooling也会挤压输入 . 所以LSTM本身将获得(98,32)的样本 .
我假设你想为每个输入步骤输出一个输出 .
假设Conv1D和MaxPooling对于输入数据是相关的,您可以尝试seq到seq方法,其中您将第一个N / W的输出提供给另一个网络以获得400个输出 .
我建议你看一下像编码器解码器seq2seq网络这样的模型,如下所示
https://blog.keras.io/a-ten-minute-introduction-to-sequence-to-sequence-learning-in-keras.html
https://machinelearningmastery.com/define-encoder-decoder-sequence-sequence-model-neural-machine-translation-keras/