Keras卷积神经网络维数问题

Question

我对从三维矩阵到一维矩阵很感兴趣。 1000行，4列，16个样本到16个样本，有1of4种疾病

我记得矩阵代数：AX+B=Y 在这种情况下，假设B=0，Y=16x1 那么AX的维数是如何以这种方式计算的呢？我可以用哪一层来让Y最终得到4个类别的16x1维

我能用这样的形状来开始卷积网络吗：

conv2D（过滤器，内核，输入形状=（161000,4））

我该如何结束它与一个层，给我4个类别即密集（4）？ 请举个例子

谢谢

Answer 1

我真的很难理解你的问题。你的意思是说你的输入是一个1000维的特征向量，总共有16个，你的网络输出，即目标，是四种可能的疾病之一

如果是这种情况，那么您误解了CNN的输入形状，它的批大小没有被考虑（您可以使用不同的批大小，因此我们希望将此参数与模型解耦）

根据您对1000 dim特征的理解，您需要在将其输入模型之前应用一些特征规范化

from keras.layers import *
from keras.models import Model

# 1. define model parameters
# 1.1 dropout rate, you may want to use 0 first
dropout_rate = 0.2 
# 1.2 mlp structure
fc_nodes = [128, 32, 8] 
# activation, e.g. relu or tanh
activation = 'relu' 

# 2. define model
# 2.1 define input
# note: batch_size=16 is NOT included in shape
feat_in = Input(shape=(1000,), name='feat_in')
# 2.2 define body
x = feat_in
for idx, nb_nodes in enumerate( fc_nodes ) :
    x = Dense( nb_nodes, activation=activation, name='fc-{}'.format(idx) )(x)
    if ( dropout_rate > 0 ) :
        x = Dropout( dropout_rate, name='dropout-{}'.format(idx))(x)
# 2.3 define output
pred_out = Dense( 4, activation='softmax', name='pred_out')(x)
# 2.4 define model
model = Model( inputs=feat_in, outputs=pred_out, name='my_model')

# 3. display model architecture
print model.summary()

该模型将采用(batch_size, 1000)形状的二维张量，并预测(batch_size, 4)形状的二维张量

顺便说一句，Conv2D应该只在您的输入是类似图像的情况下使用，这不是您的情况