真的很难理解keras中的卷积1d layer的输入维度：
输入形状
具有形状的3D张量:(样本，步骤，input_dim） .
输出形状
具有形状的3D张量：（samples，new_steps，nb_filter） . 由于填充，步骤值可能已更改 .
我希望我的网络采用价格的时间序列（按顺序排列101）并输出4个概率 . 我当前的非卷积网络做得相当好（训练集为28000）看起来像这样：
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'))
为了改善这一点，我想从输入层创建一个特征映射，该映射具有长度为10的本地接收字段（因此具有10个共享权重和1个共享偏差） . 然后，我想使用最大池并将其馈入40个左右神经元的隐藏层，然后在外层输出4个带有softmax的神经元 .
picture (it's quite awful sorry!)
理想情况下，卷积层将采用2d张量维度：
（minibatch_size，101）
并输出3d张量的尺寸
（minibatch_size，91，no_of_featuremaps）
但是，keras层似乎需要输入中称为step的维度 . 我已经尝试了解这一点，但仍然没有完全理解 . 在我的情况下，步骤为1，因为向量中的每个步骤都是1的时间增加？另外，new_step是什么？
另外，如何将汇集层（3d张量）的输出转换为适合标准隐藏层（即密集keras层）的输入，形式为2d张量？
更新：在给出非常有用的建议之后，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'))
conv.Add（Flatten（））行抛出一个超出有效边界误差的范围 . 有趣的是，只有这段代码抛出了这个错误： not ：
conv = Sequential()
conv.add(Convolution1D(64, 10, input_shape=(1,101)))
conv.add(Activation('relu'))
conv.add(MaxPooling1D(2))
conv.add(Flatten())
干
print conv.input_shape
print conv.output_shape
结果是
(None, 1, 101
(None, -256)
被退回
更新2：
变
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，输入（无，101,1）到1d转换层或（无，1,101）之间是否有任何重要的区别？为什么（无，1,101）不起作用？
1 回答
它看起来像这样的原因是Keras设计者打算将1维卷积框架解释为处理序列的框架 . 要完全理解差异 - 试着想象你有一系列多个特征向量 . 然后，您的输出将至少为二维 - 其中第一维与时间相关，其他维与特征相关联 . 一维卷积框架在某种程度上设计为大胆的时间维度，并尝试在数据中找到重新定位模式 - 而不是执行经典的多维卷积变换 .
在您的情况下，您必须简单地重塑您的数据以具有形状（dataset_size，101,1） - 因为您只有一个功能 . 可以使用
numpy.reshape函数轻松完成 . 要理解新步骤意味着什么 - 您必须了解您正在进行卷积 - 因此您需要更改数据的时间结构 - 这会导致新的时间连接结构 . 为了使您的数据适合于密集/静态层的格式，请使用keras.layers.flatten层 - 与经典卷积情况相同 .UPDATE: 正如我之前提到的 - 输入的第一个维度与时间有关 . 所以
(1, 101)和(101, 1)之间的区别在于，在第一种情况下，您有一个时间步长，101个功能，第二个 - 101个时间步长，1个功能 . 您在第一次更改后提到的问题源于在此类输入上使用大小2进行池化 . 只有一个时间步长 - 你不能在大小为2的时间窗口上汇集任何值 - 只是因为没有足够的时间步长来做到这一点 .