使用CNN Conv1D了解TimeseriesGenerator

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

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].

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？

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,)