Keras平行层的串联更改所需的目标形状

Question

我对Keras和深度学习有点陌生。我目前正在尝试复制本文，但是在编译第一个模型（没有LSTM）时，出现以下错误：

“ ValueError：检查目标时出错：预期densed_3具有形状（无，120、40）但具有形状（8、40、1）的数组”

该模型的描述是这样的：

1. 输入（长度T是特定于设备的窗口大小）
2. 平行过滤器1D卷积size3,5，和7分别是stride=1，number of filters=32， activation type=linear，border mode=same
3. 合并并行一维卷积输出的合并层
4. 致密层，output_dim=128，activation type=ReLU
5. 致密层，output_dim=128，activation type=ReLU
6. 致密层，output_dim=T，activation type=linear

我的代码是这样的：

from keras import layers, Input
from keras.models import Model

# the window sizes (seq_length?) are 40, 1075, 465, 72 and 1246 for the kettle, dish washer,
# fridge, microwave, oven and washing machine, respectively.

def ae_net(T):
    input_layer = Input(shape= (T,))
    branch_a = layers.Conv1D(32, 3, activation= 'linear', padding='same', strides=1)(input_layer)
    branch_b = layers.Conv1D(32, 5, activation= 'linear', padding='same', strides=1)(input_layer)
    branch_c = layers.Conv1D(32, 7, activation= 'linear', padding='same', strides=1)(input_layer)

    merge_layer = layers.concatenate([branch_a, branch_b, branch_c], axis=1)

    dense_1 = layers.Dense(128, activation='relu')(merge_layer)
    dense_2 =layers.Dense(128, activation='relu')(dense_1)
    output_dense = layers.Dense(T, activation='linear')(dense_2)
    model = Model(input_layer, output_dense)
    return model

model = ae_net(40)
model.compile(loss= 'mean_absolute_error', optimizer='rmsprop')
model.fit(X, y, batch_size= 8)

其中X和y是numpy arrays长度为40个值的8个序列。所以，X.shape和y.shape是(8, 40, 1)。实际上是一批数据。问题是我无法理解输出的形状(None, 120, 40)以及这些尺寸的含义。

Answer 1

正如您所指出的，您的形状包含batch_size,length和channels: (8,40,1)

你的三个卷积，每一个，都创建一个像 一样的张量(8,40,32)。您在 中的串联axis=1创建了一个像(8,120,32), where 一样的张量120 = 3*40。

现在，密集层仅在最后一个维度（本例中为通道）上起作用，而长度（现在为 120）保持不变。

解决方案

现在，看来您确实想保留最后的长度。因此，您不需要任何展平或重塑图层。但您需要将长度保持为 40。

您可能在错误的轴上进行串联。您应该连接通道轴（2 或 -1），而不是长度轴 (1)。

所以，这应该是你的连接层：

merge_layer = layers.Concatenate()([branch_a, branch_b, branch_c])
#or layers.Concatenate(axis=-1)([branch_a, branch_b, branch_c])

这将输出(8, 40, 96)，并且密集层会将 96 转换为其他内容。