如何解决使用CNN Conv1D了解TimeseriesGenerator
我是Keras和CNN的新手,我不知道如何正确地构建CNN网络。
上下文: 我使用了39个功能的时间序列,我想使用3个数据滞后。另外,我的问题是多步输出,因此我想预测48个输出。 我使用TimeseriesGenerator创建模型输入(使用this article for reference)。
这是我的代码:
generator = TimeseriesGenerator(
inputs,outputs,length=6,batch_size=1,)
这是我的模型构造:
model = Sequential()
model.add(
Conv1D(
filters=64,kernel_size=5,strides=1,activation="relu",padding="valid",input_shape=(6,39),use_bias=True,)
)
model.add(MaxPooling1D(pool_size=2))
model.add(
Conv1D(
filters=64,)
)
model.add(MaxPooling1D(pool_size=2))
model.add(Flatten())
model.add(Dense(units=100,))
model.add(Dense(units=self.__n_steps_out,activation="softmax",))
model.compile(
optimizer="adam",loss="categorical_crossentropy",metrics=["accuracy"]
)
model.fit_generator(
generator,steps_per_epoch=1,epochs=100,)
问题:
我知道内核大小(带有有效填充)不能大于ts生成器中指定的延迟数。
但是在设置内核大小= 5 我发现只有当kernel_size设置为2时,我的CNN结构才是正确的,不知道为什么它起作用,但是当我增加该值时却不知道... 有人可以向我解释TimeseriesGenerator和Conv1D层的输入和输出吗?ValueError: Negative dimension size caused by subtracting 5 from 1 for '{{node conv1d_1/conv1d}} = Conv2D[T=DT_FLOAT,data_format="NHWC",dilations=[1,1,1],explicit_paddings=[],padding="VALID",strides=[1,use_cudnn_on_gpu=true](conv1d_1/conv1d/ExpandDims,conv1d_1/conv1d/ExpandDims_1)' with input shapes: [?,64],[1,5,64,64].
解决方法
这是由于您过于积极地缩小尺寸。由于您的输入维度为(6,39)
,因此在第一个Conv1D
之后,它的维度为(2,64)
,然后在第一个MaxPooling1D
之后,它的大小为(1,64)
。因此,在经过Conv1D
和kernel_size=5
的第二次padding='valid'
之后,您将获得(1-5,64)
的尺寸,该错误实际上是试图告诉您的。
您可以分别使用Conv1D
和Maxpooling1D
而不是Conv2D
和Maxpooling2D
并将时间维度设置为1。以下是示例操作方法:
from tensorflow.keras import Sequential
from tensorflow.keras.layers import Conv2D,MaxPooling2D,Dense,Flatten
from tensorflow.keras.preprocessing.sequence import TimeseriesGenerator
import numpy as np
if __name__ == '__main__':
inputs = np.random.rand(1000,39,1)
outputs = np.random.rand(1000,1,1)
generator = TimeseriesGenerator(
inputs,outputs,length=6,batch_size=10,)
model = Sequential()
model.add(
Conv2D(
filters=64,kernel_size=(1,5),strides=1,activation="relu",padding="valid",input_shape=(6,1),use_bias=True,)
)
model.add(MaxPooling2D(pool_size=(1,2)))
model.add(
Conv2D(
filters=64,2)))
model.add(Flatten())
model.add(Dense(units=100,))
model.add(Dense(units=1,activation="softmax",))
model.summary()
model.compile(
optimizer="adam",loss="categorical_crossentropy",metrics=["accuracy"]
)
model.fit_generator(
generator,steps_per_epoch=1,epochs=100,)
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。