我目前在Keras中有一个完全连接的自编码器，看起来像这样：

model.add(Dense(4096, input_shape=(4096,), activation='relu'))model.add(Dense(512, activation='relu'))model.add(Dense(64, activation='relu'))model.add(Dense(512, activation='relu'))model.add(Dense(4096, activation='relu'))

数据由时序数据组成，这些数据通过FFT转换为频域。

我的训练数据具有以下形状：(8000, 4096)，其中我有8000个样本，4096个样本代表频率。这个模型运行良好。

我尝试实现的是用Conv1D替换具有512个单元的两个密集层，以查看这是否会改善我的结果，像这样：

model = Sequential()model.add(Dense(4096, input_shape=(4096,), activation='relu'))model.add(Conv1D(512,3, activation='relu'))model.add(Dense(64, activation='relu'))model.add(Conv1D(512,3, activation='relu'))model.add(Dense(4096, activation='relu'))

现在，这不起作用，因为Conv1D期望我的数据有3个维度：

Input 0 is incompatible with layer conv1d_12: expected ndim=3, found ndim=2

我如何确保Conv1D层获得正确的输入形状？

1. 使用Model.add(Reshape(?,?,?))可能吗？
2. 以某种方式将我的输入数据重塑为3个维度？

我尝试更改输入形状来“强制”第三个维度，并在第一个Dense层和第一个Conv1D层之间进行了重塑，但这似乎不起作用。

我意识到这里有很多关于Conv1D网络输入形状的问题，但请注意，我不希望卷积滤波器跨越多个样本，只希望跨越频率值。

提前感谢。

更新：按照@的建议，我能够编译模型并开始训练（尽管我的GPU在尖叫）

Layer (type)                 Output Shape              Param #   =================================================================dense_132 (Dense)            (None, 4096)              16781312  _________________________________________________________________reshape_85 (Reshape)         (None, 4096, 1)           0         _________________________________________________________________conv1d_71 (Conv1D)           (None, 4096, 512)         2048      _________________________________________________________________reshape_86 (Reshape)         (None, 2097152)           0         _________________________________________________________________dense_133 (Dense)            (None, 64)                134217792 _________________________________________________________________reshape_87 (Reshape)         (None, 64, 1)             0         _________________________________________________________________conv1d_72 (Conv1D)           (None, 64, 512)           2048      _________________________________________________________________reshape_88 (Reshape)         (None, 32768)             0         _________________________________________________________________dense_134 (Dense)            (None, 4096)              134221824 =================================================================Total params: 285,225,024Trainable params: 285,225,024Non-trainable params: 0_________________________________________________________________

然而，我期望我的Conv1d层具有以下输出形状：

conv1d_71 (Conv1D)           (None, 512, 1)

我是在错误的维度上进行卷积吗？如果是，我该如何更改？或者我是否误解了卷积层的运作方式？

回答：

方法1 – 通过密集层保持长度

这作为自编码器不会很有用，因为它不会真正压缩你的数据，因为4096的长度仍然存在。

这应该会自动工作，但看起来你使用的是旧版本的Keras。

如你所做的那样，在第一次卷积之前将其重塑为(4096,1)。
然后Dense层应该可以正常工作。如果不行，请使用TimeDistributed(Dense(...))

考虑在卷积中使用padding='same'以便于操作。

最后一层应该类似于Conv1D(1,...)而不是Dense。最后用(4096,)进行重塑。

方法2 – 不保持长度

在第一次卷积之后，你应该重塑以移除3D维度，但请注意你有：

• 通道：512
• 长度：
  • 如果使用padding='same'：4096
  • 否则：4094

然后你应该重塑为(4096*512,)，这相当大，将显著增加模型中可训练参数的数量。

在下一次卷积之前，再次重塑为(64,1)，然后在之后重塑为(64*512,)（如果不使用填充，则为62）。

你可以探索这些方法的混合。始终记住，卷积将作为(batch, length, channels)工作，而密集层将作为(batch, ...whatever..., units)工作，如果使用的是最新版本的Keras。如果不是，你必须正确处理这个...whatever...部分。