我正在尝试创建一个CNN来对数据进行分类。我的数据是X[N_data, N_features]，我想创建一个能够对其进行分类的神经网络。我的问题与Keras后端的Conv1D的输入形状有关。

我想在一个滤波器上重复使用…假设是10个特征，然后对接下来的10个特征保持相同的权重。对于每条数据，我的卷积层将创建N_features/10个新神经元。我该怎么做呢？我应该在input_shape中填写什么呢？

def cnn_model():model = Sequential()                                               model.add(Conv1D(filters=1, kernel_size=10 ,strides=10,                       input_shape=(1, 1,N_features),kernel_initializer= 'uniform',                        activation= 'relu')) model.flatten()model.add(Dense(N_features/10, init= 'uniform' , activation= 'relu' ))

有什么建议吗？谢谢！

回答：

@的回答可能有效，但根据这里的文档，我的建议是：

当使用此层作为模型中的第一层时，提供一个input_shape参数（整数或None的元组，例如(10, 128)表示10个128维向量的序列，或(None, 128)表示可变长度的128维向量序列）。

应该是这样的：

model = Sequential()model.add(Conv1D(filters=1, kernel_size=10 ,strides=10,                       input_shape=(None, N_features),kernel_initializer= 'uniform',                        activation= 'relu')) 

请注意，由于输入数据是(N_Data, N_features)，我们将示例数量设置为未指定(None)。在这种情况下，strides参数控制时间步长的大小。