我的数据集是一个 20 列 100,000 行的简单表格。它不是 CNN 中常用的图像数据。在这种情况下我应该提供什么输入形状？
现在我做到了——
input_shape = (21,109713,1)
model.add(Conv2D(32, kernel_size=(5, 5), strides=(1, 1),
activation='relu',
input_shape=input_shape))
这给出了错误-
ValueError: rng_mrg cpu-implementation does not support more than (2**31 -1) samples
我在其他帖子中也提到了这一点：
可以使用形状为通常的特征表Conv1d数据。要输入特征，需要以下 2 个步骤：Keras(nrows, ncols)
xtrain.reshape(nrows, ncols, 1)
# For conv1d statement:
input_shape = (ncols, 1)
例如，取 iris 数据集的前 4 个特征：
要查看通常的格式及其形状：
iris_array = np.array(irisdf.iloc[:,:4].values)
print(iris_array[:5])
print(iris_array.shape)
输出显示通常的格式及其形状：
[[5.1 3.5 1.4 0.2]
[4.9 3. 1.4 0.2]
[4.7 3.2 1.3 0.2]
[4.6 3.1 1.5 0.2]
[5. 3.6 1.4 0.2]]
(150, 4)
以下代码更改格式：
nrows, ncols = iris_array.shape
iris_array = iris_array.reshape(nrows, ncols, 1)
print(iris_array[:5])
print(iris_array.shape)
上述代码数据格式及其形状的输出：
[[[5.1]
[3.5]
[1.4]
[0.2]]
[[4.9]
[3. ]
[1.4]
[0.2]]
[[4.7]
[3.2]
[1.3]
[0.2]]
[[4.6]
[3.1]
[1.5]
[0.2]]
[[5. ]
[3.6]
[1.4]
[0.2]]]
(150, 4, 1)
这适用于 Keras 的 Conv1d。对于 input_shape (4,1) 是需要的。
你可以在 keras 中使用 Conv1D。使用 Keras Conv1D，您将不需要 3D 形状。
keras.layers.Conv1D(filters, kernel_size, strides=1,
padding='valid', data_format='channels_last',
dilation_rate=1, activation=None, use_bias=True,
kernel_initializer='glorot_uniform',
bias_initializer='zeros', kernel_regularizer=None,
bias_regularizer=None, activity_regularizer=None,
kernel_constraint=None, bias_constraint=None)