在 R 中对一维数据运行 CNN 时出错

Question

我正在尝试使用 Rkeras包运行一维 CNN。我正在尝试创建具有以下规范的一维卷积神经网络（CNN）架构

library(keras)

library(deepviz)

#create a neural network with a convolutional layer and train the model

model <- keras_model_sequential() %>%

  layer_conv_1d(filters=32, kernel_size=4, activation="relu", input_shape=c(100, 10)) %>%

  layer_max_pooling_1d(pool_size=2) %>%

  layer_conv_1d(filters=64, kernel_size=4, activation="relu") %>%

  layer_max_pooling_1d(pool_size=5) %>%

  layer_conv_1d(filters=128, kernel_size=4, activation="relu") %>%

  layer_max_pooling_1d(pool_size=5) %>%

  layer_conv_1d(filters=256, kernel_size=4, activation="relu") %>%

  layer_max_pooling_1d(pool_size=5) %>%

  layer_dropout(rate=0.4) %>%

  layer_flatten() %>%

  layer_dense(units=100, activation="relu") %>%

  layer_dropout(rate=0.2) %>%

  layer_dense(units=1, activation="linear")

但它给了我以下错误

py_call_impl(callable,dots$args,dots$keywords)中的错误：ValueError：由于输入形状为：[?,1,1,128]的“conv1d_20/conv1d”（op：“Conv2D”）从1中减去4而导致负尺寸大小，[1,4,128,256]。

如何解决错误？

还有一个问题，如何优化filters、、、、？在我的问题中是一个任意值。如何决定输入大小？kernel_sizepool_sizerateunitsinput_shape=c(100, 10)

Answer 1

您有太多最大池化层，最大池化层通过其参数减少输入向量的维度。尝试减少 pool_size 参数，或者删除最后 2 个最大池层。对于所有层，您可以尝试使用 pool_size=2 的值。至于参数，你应该了解它们的含义：在这里你可以找到卷积层和最大池化层参数的解释，如过滤器、内核大小和池大小：卷积 层dropout 层是一种正则化，可以最大化层权重的有效性，每个时期都会将权重的不同百分比（“速率”参数的大小）归零。比率越大，过度拟合的情况就越少，但训练时间就越长。在这里了解它： Dropout 层单位是全连接层的大小。 全连接层当记录数不算在内时，输入形状是数据的维度。在 1d 向量中，当 N 是向量长度且 C 是您拥有的通道数时，它是 (N,C)，如果您有 1 个通道，则它是 (N,1)。在二维向量中它是（高度，宽度，通道）。