keras 中使用 CNN-LSTM 模型进行序列到序列分类

Question

我正在处理 1000 个样本。每个样本都与一个人相关联，该人在 168 个不同的时间步长上测量了 70 种不同的生命体征和健康特征。然后，对于每个时间步长，我应该预测一个二进制标签。因此，输入和输出形状为：

Input.shape = (1000, 168, 70)
Output.shape = (1000, 168, 1) 

目标是使用 CNN 提取特征，然后应用 LSTM 获取时间信息。然后我想应用一个密集层进行二元分类。我想应用 CNN-LSTM 模型来完成这个任务。

以下是我尝试过的代码。

model = Sequential()                        
model.add(Conv1D(filters=16, kernel_size=5, strides=1, padding="same", input_shape=(168, 70), activation='relu'))
model.add(MaxPooling1D())
model.add(LSTM(64, return_sequences=True))
model.add(Dense(1, activation="sigmoid")) 

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(X_train_3D, Y_train_3D, batch_size=32, epochs=500, validation_data=(X_val_3D, Y_val_3D))

我对这个模型的应用很陌生，所以我确信我在这里做错了一些我找不到的事情。这是错误：

ValueError: logits and labels must have the same shape ((None, 84, 1) vs (None, 168, 1))

Answer 1

由于您使用的是

return_sequences=True

，这意味着

LSTM

将返回形状为

(batch_size, 84, 64)

的输出。这里的

84

是由于您使用的

Conv1D

参数造成的。因此，当您应用具有

Dense

单位的

1

图层时，它会将最后一个维度减小为

1

，这意味着

(batch_size, 84, 64)

在应用

(batch_size, 84, 1)

图层后将变为

Dense

。您要么不应该使用

return_sequences=True

，要么使用另一个层或多个层将输出展平为二维，然后再将其输入到

Dense

层。