卷积层不匹配中的Keras维数-Java 学习之路

我正在尝试与Keras一起构建我的第一个神经网络 . 我没有经验，我似乎无法弄清楚为什么我的维度不对 . 我无法从他们的文档中弄清楚这个错误是抱怨什么，甚至是什么层导致它 .

我的模型接受一个32字节的数字数组，并且应该在另一侧给出一个布尔值 . 我想在输入字节数组上进行一维卷积 .

arr1是32byte数组，arr2是一个布尔数组 .

inputData = np.array(arr1)
inputData = np.expand_dims(inputData, axis = 2)

labelData = np.array(arr2)

print inputData.shape
print labelData.shape

model = k.models.Sequential()
model.add(k.layers.convolutional.Convolution1D(32,2, input_shape = (32, 1)))
model.add(k.layers.Activation('relu'))

model.add(k.layers.convolutional.Convolution1D(32,2))
model.add(k.layers.Activation('relu'))

model.add(k.layers.convolutional.Convolution1D(32,2))
model.add(k.layers.Activation('relu'))

model.add(k.layers.convolutional.Convolution1D(32,2))
model.add(k.layers.Activation('relu'))

model.add(k.layers.core.Dense(32))
model.add(k.layers.Activation('sigmoid'))

model.compile(loss = 'binary_crossentropy',
              optimizer = 'rmsprop',
              metrics=['accuracy'])
model.fit(
    inputData,labelData
)

形状打印的输出是（1000,32,1）和（1000，）

我收到的错误是：

Traceback（最近一次调用最后一次）：文件“cnn / init.py”，第50行，在inputData，labelData文件中“/home/steve/Documents/cnn/env/local/lib/python2.7/site-packages/ keras / models.py“，第863行，在fit initial_epoch = initial_epoch中）文件”/home/steve/Documents/cnn/env/local/lib/python2.7/site-packages/keras/engine/training.py“，第1358行，in fit batch_size = batch_size）文件“/home/steve/Documents/cnn/env/local/lib/python2.7/site-packages/keras/engine/training.py”，第1238行，_standardize_user_data exception_prefix = 'target'）文件“/home/steve/Documents/cnn/env/local/lib/python2.7/site-packages/keras/engine/training.py”，第128行，在_standardize_input_data str（array.shape）中） ValueError：检查目标时出错：预期activation_5有3个维度，但得到的数组有形状（1000,1）

1 回答

2
那么在我看来，你需要谷歌更多关于卷积网络:-)

您将在每个步骤中应用32个长度为2的过滤器 . 因此，如果我们在每一层之后遵循张量的尺寸：

Dimensions : (None, 32, 1)
```
model.add(k.layers.convolutional.Convolution1D(32,2, input_shape = (32, 1)))
model.add(k.layers.Activation('relu'))
```
Dimensions : (None, 31, 32) （您的长度为2的过滤器遍历整个序列，因此序列现在的长度为31）
```
model.add(k.layers.convolutional.Convolution1D(32,2))
model.add(k.layers.Activation('relu'))
```
Dimensions : (None, 30, 32) （由于您的长度为2的过滤器，您再次失去一个值，但您仍然有32个）
```
model.add(k.layers.convolutional.Convolution1D(32,2))
model.add(k.layers.Activation('relu'))
```
Dimensions : (None, 29, 32) （同......）
```
model.add(k.layers.convolutional.Convolution1D(32,2))
model.add(k.layers.Activation('relu'))
```
Dimensions : (None, 28, 32)

现在你想在它上面使用Dense图层...事实是Dense图层将在你的3D输入上如下工作：
```
model.add(k.layers.core.Dense(32))
model.add(k.layers.Activation('sigmoid'))
```
Dimensions : (None, 28, 32)

这是你的输出 . 我觉得奇怪的第一件事就是你要从密集层中输出32个输出......你应该放1而不是32但是即使这样也无法解决你的问题 . 看看如果我们改变最后一层会发生什么：
```
model.add(k.layers.core.Dense(1))
model.add(k.layers.Activation('sigmoid'))
```
Dimensions : (None, 28, 1)

发生这种情况是因为您将密集层应用于“2D”张量 . 如果你将一个密集（1）层应用于输入[28,32]，它会产生一个形状（32,1）的权重矩阵，它适用于28个向量，这样你就可以找到28个输出大小为1 .

我建议解决这个问题的方法是改变最后2层，如下所示：
```
model = k.models.Sequential()
model.add(k.layers.convolutional.Convolution1D(32,2, input_shape = (32, 1)))
model.add(k.layers.Activation('relu'))

model.add(k.layers.convolutional.Convolution1D(32,2))
model.add(k.layers.Activation('relu'))

model.add(k.layers.convolutional.Convolution1D(32,2))
model.add(k.layers.Activation('relu'))

# Only use one filter so that the output will be a sequence of 28 values, not a matrix.
model.add(k.layers.convolutional.Convolution1D(1,2))
model.add(k.layers.Activation('relu'))

# Change the shape from (None, 28, 1) to (None, 28)
model.add(k.layers.core.Flatten())

# Only one neuron as output to get the binary target.
model.add(k.layers.core.Dense(1))
model.add(k.layers.Activation('sigmoid'))
```
现在最后两个步骤将从你的张量

(None, 29, 32) -> (None, 28, 1) -> (None, 28) -> (None, 1)

我希望这可以帮助你 .

PS . 如果你想知道什么是无，那就是批次的维度，你没有在onces上提供1000个样本，你逐批地提供它，并且因为值取决于所选择的内容，所以我们把无 .

EDIT :

更详细地解释为什么序列长度在每一步失去一个值 .

假设您有一个4个值的序列 [x1 x2 x3 x4] ，您希望使用长度为2 [f1 f2] 的过滤器来对序列进行卷积 . 第一个值将由 y1 = [f1 f2] * [x1 x2] 给出，第二个值为 y2 = [f1 f2] * [x2 x3] ，第三个值为 y3 = [f1 f2] * [x3 x4] . 然后你到达序列的末尾，不能再往前走了 . 你有一个sequnce [y1 y2 y3] 的结果 .

这是由于过滤器长度和序列边界的影响 . 有多个选项，有些选项用0填充序列以获得完全相同的输出长度...您可以使用参数 'padding' 选择该选项 . 你可以read more about this here找到不同的values possible for the padding argument here . 我鼓励你阅读最后一个链接，它提供有关输入和输出形状的信息......

从文档：

padding：“有效”或“相同”之一（不区分大小写） . “有效”表示“无填充” . “相同”导致填充输入，使得输出具有与原始输入相同的长度 .

默认值为“有效”，因此您不需要填写示例 .

我还建议您将keras版本升级到最新版本 . Convolution1D现在是Conv1D，因此您可能会发现文档和教程令人困惑 .
回复于 2024-05-05T09:10:07+08:00

卷积层不匹配中的Keras维数

1 回答

相关问题