Dimensión de la forma en Conv1D
He intentado construir una CNN con una capa, pero tengo algún problema con ella. De hecho, el compilador me dice que
ValueError: Error al comprobar la entrada del modelo: conv1d_1_input esperado para tener 3 dimensiones, pero tiene matriz con forma (569, 30)
Este es el código
import numpy
from keras.models import Sequential
from keras.layers.convolutional import Conv1D
numpy.random.seed(7)
datasetTraining = numpy.loadtxt("CancerAdapter.csv",delimiter=",")
X = datasetTraining[:,1:31]
Y = datasetTraining[:,0]
datasetTesting = numpy.loadtxt("CancereEvaluation.csv",delimiter=",")
X_test = datasetTraining[:,1:31]
Y_test = datasetTraining[:,0]
model = Sequential()
model.add(Conv1D(2,2,activation='relu',input_shape=X.shape))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(X, Y, epochs=150, batch_size=5)
scores = model.evaluate(X_test, Y_test)
print("\n%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))
2 answers
Td; lr necesita remodelar sus datos para tener una dimensión espacial para que Conv1d tenga sentido:
X = np.expand_dims(X, axis=2) # reshape (569, 30) to (569, 30, 1)
# now input can be set as
model.add(Conv1D(2,2,activation='relu',input_shape=(30, 1))
Esencialmente remodelando un conjunto de datos que se vea así:
features
.8, .1, .3
.2, .4, .6
.7, .2, .1
A:
[[.8
.1
.3],
[.2,
.4,
.6
],
[.3,
.6
.1]]
Explicación y ejemplos
Normalmente la convolución trabaja sobre dimensiones espaciales. El núcleo está "convolvido" sobre la dimensión produciendo un tensor. En el caso de Conv1D, el núcleo se pasa sobre la dimensión 'steps' de cada ejemplo.
Verá Conv1D usado para en NLP donde el steps es el número de palabras en la oración (rellenado a una longitud máxima fija). Las palabras podrían ser codificadas como vectores de longitud 4.
Aquí hay una oración de ejemplo:
jack .1 .3 -.52 |
is .05 .8, -.7 |<--- kernel is `convolving` along this dimension.
a .5 .31 -.2 |
boy .5 .8 -.4 \|/
Y la forma en que estableceríamos la entrada a la conv en este caso:
maxlen = 4
input_dim = 3
model.add(Conv1D(2,2,activation='relu',input_shape=(maxlen, input_dim))
En su caso, tratará las entidades como una dimensión espacial con cada entidad teniendo una longitud 1. (véase más adelante)
Aquí sería un ejemplo de su conjunto de datos
att1 .04 |
att2 .05 | < -- kernel convolving along this dimension
att3 .1 | notice the features have length 1. each
att4 .5 \|/ example have these 4 featues.
Y estableceríamos el ejemplo Conv1D como:
maxlen = num_features = 4 # this would be 30 in your case
input_dim = 1 # since this is the length of _each_ feature (as shown above)
model.add(Conv1D(2,2,activation='relu',input_shape=(maxlen, input_dim))
Como puede ver, su conjunto de datos tiene que ser remodelado en (569, 30, 1) uso:
X = np.expand_dims(X, axis=2) # reshape (569, 30, 1)
# now input can be set as
model.add(Conv1D(2,2,activation='relu',input_shape=(30, 1))
Aquí hay un ejemplo completo que puede ejecutar (Usaré la API funcional )
from keras.models import Model
from keras.layers import Conv1D, Dense, MaxPool1D, Flatten, Input
import numpy as np
inp = Input(shape=(5, 1))
conv = Conv1D(filters=2, kernel_size=2)(inp)
pool = MaxPool1D(pool_size=2)(conv)
flat = Flatten()(pool)
dense = Dense(1)(flat)
model = Model(inp, dense)
model.compile(loss='mse', optimizer='adam')
print(model.summary())
# get some data
X = np.expand_dims(np.random.randn(10, 5), axis=2)
y = np.random.randn(10, 1)
# fit model
model.fit(X, y)
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2018-03-16 18:50:50
Sin poder ver más detalles, sus datos no están en la forma correcta después del preprocesamiento.
Remodelar X para tener 3 dimensiones:
np.reshape(X, (1, X.shape[0], X.shape[1]))
Warning: date(): Invalid date.timezone value 'Europe/Kyiv', we selected the timezone 'UTC' for now. in /var/www/agent_stack/data/www/ajaxhispano.com/template/agent.layouts/content.php on line 61
2017-04-13 15:50:59