Görüntü olmayan bir veri kümesinin ikili sınıflandırması için bir CNN modeli yapmaya çalışıyorum. Modelim / kodum çalışıyor ve çok iyi sonuçlar veriyor (doğruluklar yüksek) ama anlayamıyorum input_shape
1. katman için parametre Conv1D
.
X veya giriş şekli (burada x_train_df
) (2000, 28) ' dir. 28 özelliğe ve 2000 örneğe sahiptir. Ve Y veya etiketlerin şekli (burada y_train_df
) (2000, 1) ' dir.
model = Sequential()
model.add(Conv1D(filters = 64, kernel_size = 3, activation = 'relu', input_shape = (x_train_df.shape[1], 1)))
model.add(Conv1D(filters = 64, kernel_size = 3, activation = 'relu'))
model.add(MaxPooling1D(pool_size = 2))
model.add(Flatten())
model.add(Dense(100, activation = 'relu'))
model.add(Dense(1, activation = 'sigmoid'))
optimzr = Adam(learning_rate=0.005)
model.compile(loss='binary_crossentropy', optimizer=optimzr, metrics=[[tf.keras.metrics.AUC(curve="ROC", name = 'auc')], [tf.keras.metrics.AUC(curve="PR", name = 'pr')]])
# running the fitting
model.fit(x_train_df, y_train_df, epochs = 2, batch_size = 32, validation_data = (x_val_df, y_val_df), verbose = 2)
Ben verdim input_shape
as (28, 1) (bu sorudan referans alınmıştır).
Ancak Conv1D katman belgelerinde şöyle yazılmıştır:,
Bu katmanı bir modeldeki ilk katman olarak kullanırken, bir ınput_shape argümanı (tamsayıların toplamı veya Hiçbiri, örneğin (10, 128) 128 boyutlu vektörlerden oluşan 10 vektör dizisi.
Bundan anladığım şey, 2000 tek boyutlu vektöre sahip olduğum için input_shape boyutunun (2000, 1) olması gerektiğidir. Ama bunu vermek input_shape
bir hatayı şu şekilde gösterir,
ValueError: "sequential_25" katmanının 0 girişi ile uyumlu değil katman: beklenen şekil = (Yok, 2000, 1), bulunan şekil=(Yok, 28)
Yani benim sorum doğru ne olmalı input_shape
?
ValueError: logits and labels must have the same shape, received ((None, 1) vs (None, 2000)).
Bu yüzden şekilleri (2000, 28, 1) olarak değiştirdimx_train_df
ve (2000, 1, 1) içiny_train_df
bunda gösterildiği gibi ve işe yaradı. Bu konuda kafam karıştı. Söz konusu kodun nasıl değiştirileceğini açıklayabilirseniz çok yararlı olacaktır.