我正在使用 TensorFlow Keras 进行一个简单的 Conv1D 操作，以尝试一个时间序列数据集。
数据:
train_df = dff[:177] #获取训练数据
tdf = train_df.shape #获取形状 = (177,4)
test = tf.convert_to_tensor(train_df)模型:
model = tf.keras.models.Sequential([
tf.keras.layers.Conv1D(filters=32,
kernel_size=1,
strides=1,
padding="causal",
activation="relu",
input_shape=tdf),
tf.keras.layers.MaxPooling1D(pool_size=2, strides=1, padding="valid")])
lr_schedule = tf.keras.optimizers.schedules.ExponentialDecay(5e-4,
decay_steps=1000000,
decay_rate=0.98,
staircase=False)
model.compile(loss=tf.keras.losses.MeanSquaredError(),
optimizer=tf.keras.optimizers.SGD(learning_rate=lr_schedule, momentum=0.8),
metrics=['mae'])
model.summary()摘要:
Model: "sequential_13"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
conv1d_16 (Conv1D) (None, 177, 32) 160
_________________________________________________________________
max_pooling1d_8 (MaxPooling1 (None, 176, 32) 0
=================================================================
Total params: 160
Trainable params: 160
Non-trainable params: 0训练:
trainedModel = model.fit(test,
epochs=100,
steps_per_epoch=1,
verbose=1)在训练时引发的错误:
ValueError: Input 0 of layer sequential_13 is incompatible with the layer: : expected min_ndim=3, found ndim=2. Full shape received: (2, 1)根据 Stack Overflow 上的各种讨论，这似乎是由于输入数据形状导致的。因此，我尝试了 Stack Overflow 上的一个建议，重新调整了数据形状并再次输入。
重塑:
X_train=np.reshape(test,(test.shape[0], test.shape[1],1))在重塑后训练时引发的错误:
ValueError: Input 0 of layer sequential_14 is incompatible with the layer: expected axis -1 of input shape to have value 4 but received input with shape (177, 4, 1)我现在很困惑。应该如何解决这个问题呢？
回答：
当前参数值:
tdf = (177,4)我的假设 – “你有177个训练样本，每个样本有4个特征”。
当前错误的原因 – 模型假设每个样本的形状为(177,4)，但当你尝试将数据传递给模型时，会出现以下错误:
ValueError: Input 0 of layer sequential_13 is incompatible with the layer: :expected min_ndim=3, found ndim=2. Full shape received: (2, 1)这个错误表示模型期望输入具有3D维度，在这种情况下，模型需要一个批次大小。比如，一个包含16张高度为177、宽度为4的图像的批次。（虽然你没有图像，但由于你指定的输入形状，模型期望如此）。这意味着输入应该具有形状 – (batch_size, 177, 4)。
可以通过在model.fit中传递参数batch_size=1来解决这个问题。如下所示（无需重塑数据）:
trainedModel = model.fit(data,
epochs=100,
steps_per_epoch=1,
batch_size=16,
verbose=1)但这会引发另一个错误，如下所示:
ValueError: Input 0 of layer sequential_1 is incompatible with the layer: : expected min_ndim=3, found ndim=2. Full shape received: (None, 4)现在这个错误意味着传递给模型的输入具有某些batch_size（由None表示）和形状为4的特征向量，但模型期望输入具有形状(batch_size, height, width)。这里所有模型都期望batch_size，但其余两个由我们在定义输入形状时指定。我们在这里定义了:
tf.keras.layers.Conv1D(filters=32,
kernel_size=1,
strides=1,
padding="causal",
activation="relu",
input_shape=tdf), # 我们在这里设置了 input_shape = (177,4)如你所见，input_shape被定义为height=177, width=4。（我使用高度和宽度来简化解释，否则只有维度编号）。但是，我们希望模型接受4个特征的输入。所以，现在我们需要将其更改为如下:
model = tf.keras.models.Sequential([
tf.keras.layers.Conv1D(filters=32,
kernel_size=1,
strides=1,
padding="causal",
activation="relu",
input_shape=(4,)),
tf.keras.layers.MaxPooling1D(pool_size=2, strides=1, padding="valid")])但现在当你尝试运行这个时，你会得到另一个错误，如下所示:
ValueError: Input 0 of layer conv1d_10 is incompatible with the layer: : expected min_ndim=3, found ndim=2. Full shape received: (None, 4)需要注意的是错误来自于Conv1D层，这是因为这个层期望输入为3D，包括batch_size，但我们在创建模型时从未指定batch_size，参数input_shape应该具有这样的值input_shape = (dim1, dim2)，但在这种情况下我们只有4个特征，因此只有dim1而没有dim2。在这种情况下，我们将输入重塑为4作为(4,1)。这样我们将有dim1 = 4和dim2 = 1。我们将更新我们的model如下:
model = tf.keras.models.Sequential([
tf.keras.layers.Conv1D(filters=32,
kernel_size=1,
strides=1,
padding="causal",
activation="relu",
input_shape=(4,1)),
tf.keras.layers.MaxPooling1D(pool_size=2, strides=1, padding="valid")])现在我们还将输入重塑为形状(177,4, 1)，如下所示:
train_df = dff[:177]
train_df = train_df.values.reshape(177, 4, 1)
test = tf.convert_to_tensor(train_df)现在我们可以将其传递给模型。
trainedModel = model.fit(test,
epochs=100,
steps_per_epoch=1,
verbose=1)遗憾的是，这将引发另一个错误，如下所示:
ValueError: No gradients provided for any variable: ['conv1d_14/kernel:0','conv1d_14/bias:0'].这是因为模型没有获得对应于输入X的Y，因此无法使用loss function计算gradients，因此无法训练。但它仍然可以用于获取输出，如下所示:
preds = model(test)
preds.shape # 结果 -> TensorShape([177, 3, 32])