Проблемы с формой Conv1D в Keras

У меня есть проблемы с построением слоев в Keras. Я объясню всю проблему:

1. У меня есть матрица признаков с размерами: 2023 (строки) x 65 (признаки);
2. Я пытался построить CNN, с Conv1D в качестве первого слоя;

Мой код:

def cnn_model():
    model = Sequential()
    model.add(Conv1D(filters=64, kernel_size=3, activation='relu'))
    model.add(Dropout(0.25))
    model.add(Conv1D(filters=64, kernel_size=3, activation='relu'))
    model.add(Dropout(0.25))
    model.add(MaxPooling1D(pool_size=2))
    model.add(Flatten())
    model.add(Dense(64, activation='relu'))
    model.add(Dense(1, activation='sigmoid'))
    model.compile(loss="mse", optimizer="adam", metrics=['mse', 'mae'])
    model.fit(X, Y, epochs=100, batch_size=64, verbose=0)
    model.evaluate(X, Y)
    return model

scoring = make_scorer(score_func=pearson)
# оценка модели с использованием стандартизированного набора данных
estimation = []
estimation.append(('standardize', StandardScaler()))
estimation.append(('mlp', KerasRegressor(build_fn=cnn_model, epochs=50, batch_size=32, verbose=0)))
pipeline = Pipeline(estimation)
kfold = KFold(n_splits=10, shuffle=True, random_state=1)
results = cross_val_score(pipeline, X, Y, cv=kfold, scoring=scoring)

Проблема в том, что, когда я запускаю, я получаю следующую ошибку:

ValueError: Input 0 of layer sequential_9 is incompatible with the layer: : expected min_ndim=3, found ndim=2. Full shape received: (None, 64)

Я действительно не знаю, почему возникает эта ошибка. Возможно, это просто проблема с передачей параметров, я довольно новичок в этой области. Можете сказать мне что-то еще? Я пробовал множество способов, чтобы решить эту ошибку, но каждый раз получаю новые ошибки вместо решения. Спасибо всем.

Я только что попробовал вашу функцию cnn_model, и она работает правильно для меня.

Не уверен, в чем ваша проблема, но, похоже, дело в ваших X и Y. X не должен иметь форму (2023, 65), а форму (datasize, 2023, 65). И Y также должен иметь форму (datasize, 1). В противном случае ваша сеть воспринимает X как 2023 входа формы (None, 65), вместо того чтобы рассматривать это как n входов формы (None, 2023, 65).

Вот мой код на случай, если вы захотите его запустить (важная часть – определение X(ims) и Y(lab)):

import keras
from keras.layers import Conv1D, Dropout, MaxPooling1D, Flatten, Dense
import numpy as np

ims = np.random.randn(100, 2023, 65)
lab = np.random.randn(100, 1)

def cnn_model(X, Y):
    model = keras.Sequential()
    model.add(Conv1D(filters=64, kernel_size=3, activation='relu'))
    model.add(Dropout(0.25))
    model.add(Conv1D(filters=64, kernel_size=3, activation='relu'))
    model.add(Dropout(0.25))
    model.add(MaxPooling1D(pool_size=2))
    model.add(Flatten())
    model.add(Dense(64, activation='relu'))
    model.add(Dense(1, activation='sigmoid'))
    model.compile(loss="mse", optimizer="adam", metrics=['mse', 'mae'])
    print('обучение')
    model.fit(X, Y, epochs=10, batch_size=32, verbose=0)
    print('обучение завершено')
    model.evaluate(X, Y)
    return model


m = cnn_model(ims, lab)
m.summary()

Если мы посмотрим на документацию Keras Здесь,

Форма входа

3+D тензор с формой: batch_shape + (steps, input_dim)

Итак, вход должен быть спроектирован как Batch, Seq, Dim.

В этом случае мы можем предположить длину последовательности 65 и размерность 1.

from sklearn.datasets import make_moons, make_circles, make_classification
from tensorflow import keras
from tensorflow.keras import layers

X, Y = make_classification(n_features=65, n_redundant=0, n_informative=1, n_clusters_per_class=1)

X = X.reshape(-1,65,1) # Изменено на Batch, Seq, Dim

model = keras.models.Sequential()
model.add(layers.Conv1D(filters=64, kernel_size=3, activation='relu'))
model.add(layers.Dropout(0.25))
model.add(layers.Conv1D(filters=64, kernel_size=3, activation='relu'))
model.add(layers.Dropout(0.25))
model.add(layers.MaxPooling1D(pool_size=2))
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(1, activation='sigmoid'))

model.compile(loss="mse", optimizer="adam", metrics=['mse', 'mae'])
model.fit(X, Y, epochs=100, batch_size=64, verbose=0)
model.evaluate(X, Y)