Snažím sa, aby CNN model pre binárne klasifikácia non-image súboru. Môj model/ kód pracuje a produkuje veľmi dobré výsledky (presnosť vysoká), ale nie som schopný pochopiť input_shape
parameter pre 1. vrstva Conv1D
.
Tvar X alebo vstup (tu x_train_df
) je (2000, 28). Má 28 vlastnosti a 2000 vzoriek. A tvar Y alebo štítkov (tu y_train_df
) je (2000, 1).
model = Sequential()
model.add(Conv1D(filters = 64, kernel_size = 3, activation = 'relu', input_shape = (x_train_df.shape[1], 1)))
model.add(Conv1D(filters = 64, kernel_size = 3, activation = 'relu'))
model.add(MaxPooling1D(pool_size = 2))
model.add(Flatten())
model.add(Dense(100, activation = 'relu'))
model.add(Dense(1, activation = 'sigmoid'))
optimzr = Adam(learning_rate=0.005)
model.compile(loss='binary_crossentropy', optimizer=optimzr, metrics=[[tf.keras.metrics.AUC(curve="ROC", name = 'auc')], [tf.keras.metrics.AUC(curve="PR", name = 'pr')]])
# running the fitting
model.fit(x_train_df, y_train_df, epochs = 2, batch_size = 32, validation_data = (x_val_df, y_val_df), verbose = 2)
Dal som input_shape
ako (28, 1) (prevzaté odkaz na túto otázku).
Ale v Conv1D vrstva dokumentácia je napísané, že,
Pri použití tejto vrstvy ako prvá vrstva v modeli, poskytnúť input_shape argument (n-tice z čísla alebo Žiadne, napr. (10, 128) pre sekvencie 10 vektory 128-rozmerné vektory.
To, čo som pochopil z tento rozmer input_shape by mal byť (2000, 1) ako mám jeden 2000-rozmerné vektory. Ale dávať to, ako input_shape
zobrazuje chyba, ako,
ValueError: Vstup 0 vrstva "sequential_25" nie je kompatibilná s vrstva: očakáva shape=(None, 2000, 1), nájsť shape=(None, 28)
Takže moja otázka je, čo by malo byť správne input_shape
?
ValueError: logits and labels must have the same shape, received ((None, 1) vs (None, 2000)).
Tak som zmenil tvary, aby sa (2000, 28, 1) prex_train_df
a (2000, 1, 1) prey_train_df
ako je uvedené v tejto a že pracoval. Som zmätená o tom. To bude veľmi užitočné, ak by ste mohli vysvetliť, ako upraviť kód v otázke.