我无法为一维输入向量构建CNN。

输入值示例：

df_x.iloc[300]Out[33]:0     0.5714291     1.0000002     0.9714293     0.8000004     1.0000005     0.1428576     0.6571437     0.8571438     0.9714299     0.00000010    0.00000011    0.00000012    0.00000013    0.00000014    0.00000015    0.000000Name: 300, dtype: float64

输出值示例：

df_y.iloc[300]Out[34]:0     0.5714291     0.9142862     1.0000003     0.9714294     0.8000005     1.0000006     0.9142867     0.9428578     0.8000009     0.65714310    0.85714311    0.97142912    0.00000013    0.00000014    0.00000015    0.00000016    0.00000017    0.00000018    0.00000019    0.00000020    0.00000021    0.00000022    0.000000

我有15k个训练样本。

df_x.shapeOut[28]:(15772, 16)df_y.shapeOut[29]:(15772, 23)

我当前的模型：

model = Sequential()model.add(Conv2D(5, df_x.shape[1], input_shape=(5, 1)))model.add(Dense(46, activation='relu'))model.add(Dense(56, activation='relu'))model.add(Dense(66, activation='relu'))model.add(Dense(56, activation='relu'))model.add(Dense(46, activation='relu'))model.add(Dense(df_y.shape[1], activation='relu'))# 编译模型model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])# 拟合模型model.fit(df_x, df_y, epochs=5, batch_size=10)

我想构建一个模型，其第一层是卷积大小(5,1)，5个过滤器，输入形状df_x.shape[1], 1。

我遇到了错误：

ValueError: Input 0 is incompatible with layer conv2d_10: expected ndim=4, found ndim=3

你能解释一下我如何为一维输入值构建CNN吗？

回答：

你应该使用Conv1D而不是Conv2D。

Conv2D被称为二维是因为它设计用于处理图像。然而，Conv2D的输入实际上是四维的 – (batch, width, height, channels)；channels可以是3用于RGB图像，或者1用于灰度图像。这就是为什么Keras会报错：

ValueError: Input 0 is incompatible with layer conv2d_10: expected ndim=4, found ndim=3

Conv1D接受三维输入，这正是你所拥有的（假设你将df_x扩展到(15772, 16, 1)）。另外，input_shape参数必须与每行的尺寸匹配。试试这个：

model.add(Conv1D(5, 5, input_shape=(df_x.shape[1], 1)))