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'))

数据由时间序列数据组成，使用FFT将其转换为频域 .

我的训练数据具有以下形状：（8000,4096）其中我有8000个样本，4096个样本代表频率 . 这个模型运行正常 .

我想要实现的是用Conv1d替换具有512个单元的两个密集层，看看这是否会改善我的结果，如下所示：

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，这不会起作用，因为Conv1D期望我的数据有3个维度：

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

如何确保Conv1d图层获得正确的输入形状？

• 可能使用Model.add（重塑（？，？，？））？

• 重塑我的输入数据，以某种方式有3个维度？

我已经尝试将输入形状更改为“强制”第三维，并在第一个Dense图层和第一个Conv1D图层之间重新塑造，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，只能跨越频率值 .

提前致谢 .

更新：遵循daniels建议我能够编译模型并开始训练（尽管我的GPU正在尖叫着我）

Layer (type)                 Output Shape              Param #   
=================================================================
dense_132 (Dense)            (None, 4096)              16781312  
_________________________________________________________________
reshape_85 (Reshape)         (None, 4096, 1)           0         
_________________________________________________________________
conv1d_71 (Conv1D)           (None, 4096, 512)         2048      
_________________________________________________________________
reshape_86 (Reshape)         (None, 2097152)           0         
_________________________________________________________________
dense_133 (Dense)            (None, 64)                134217792 
_________________________________________________________________
reshape_87 (Reshape)         (None, 64, 1)             0         
_________________________________________________________________
conv1d_72 (Conv1D)           (None, 64, 512)           2048      
_________________________________________________________________
reshape_88 (Reshape)         (None, 32768)             0         
_________________________________________________________________
dense_134 (Dense)            (None, 4096)              134221824 
=================================================================
Total params: 285,225,024
Trainable params: 285,225,024
Non-trainable params: 0
_________________________________________________________________

但是，我希望我的Conv1d图层具有以下输出形状：

conv1d_71 (Conv1D)           (None, 512, 1)

我在错误的维度上进行卷积吗？如果是这样，我怎么能改变它？或者我误解了卷积层是如何工作的？