代码之家 › 专栏 › 技术社区 › mcanizo

keras conv1d输入数据重塑

conv-neural-network keras tensorflow python

mcanizo · 技术社区 · 6 年前

我正在尝试使用一维CNN对Keras进行二元分类。我有一台机器可以连续执行一个动作,我的目标是对该动作是正常还是异常进行分类。

为了监测每个动作的行为,有4个传感器收集100个测量值。因此,对于每个动作,我有4x100=400个数据点。在一个单独的文件中,我将标签对应于每个动作。我的数据集如下所示:

measurement ID | action ID | sensor 1 | sensor 2 | sensor 3 | sensor 4 |
-----------------------------------------------------------------
       1       |     1     |   42.3   |   42.3   |   42.3   |   42.3   | 
       2       |     1     |   42.3   |   42.3   |   42.3   |   42.3   | 
       3       |     1     |   42.3   |   42.3   |   42.3   |   42.3   | 
      ...      |   ....    |   ....   |   ....   |   ....   |   ....   | 
      100      |     1     |   42.3   |   42.3   |   42.3   |   42.3   | 
       1       |     2     |   42.3   |   42.3   |   42.3   |   42.3   | 
       2       |     2     |   42.3   |   42.3   |   42.3   |   42.3   | 
       3       |     2     |   42.3   |   42.3   |   42.3   |   42.3   | 
      ...      |   ....    |   ....   |   ....   |   ....   |   ....   | 
      100      |     2     |   42.3   |   42.3   |   42.3   |   42.3   |
      ...      |   ....    |   ....   |   ....   |   ....   |   ....   |

模型应如下所示:

model = Sequential()
model.add(Conv1D(filters=64, kernel_size=5 activation='relu',input_shape=(100,4)))
model.add(MaxPooling1D(pool_size=2))
model.add(Flatten())
model.add(Dense(1, activation='sigmoid'))
sgd = SGD(lr=0.1, momentum=0.9, decay=0, nesterov=False)
model.compile(loss='binary_crossentropy', optimizer=sgd)
model.fit(trainX, trainY, validation_data=(testX, testY), epochs=100, batch_size=100)

有人能告诉我实现这一目标的正确方法吗?

1 回复 | 直到 6 年前

layog 6 年前

使用多个传感器似乎是合乎逻辑的,也不应该成为问题,而且考虑到多个测量值的大小也似乎是正确的。因此,您可以尝试训练此模型并检查结果。

我推荐的另一种方法是对所有传感器使用不同的卷积。所以你有4个卷积,每个卷积接受形状的输入 (100, 1) 来自一个传感器。Keras代码看起来像

from keras.layers import Input, Conv1D, Dense, concatenate, Flatten
from keras.models import Model

s1_input = Input((100, 1))
s2_input = Input((100, 1))
s3_input = Input((100, 1))
s4_input = Input((100, 1))

conv1 = Conv1D(filters=64, kernel_size=5, activation='relu')(s1_input)
conv2 = Conv1D(filters=64, kernel_size=5, activation='relu')(s2_input)
conv3 = Conv1D(filters=64, kernel_size=5, activation='relu')(s3_input)
conv4 = Conv1D(filters=64, kernel_size=5, activation='relu')(s4_input)

f1 = Flatten()(conv1)
f2 = Flatten()(conv2)
f3 = Flatten()(conv3)
f4 = Flatten()(conv4)

dense_in = concatenate([f1, f2, f3, f4])
output = Dense(1, activation='sigmoid')(dense_in)

model = Model(inputs=[s1_input, s2_input, s3_input, s4_input], outputs=[output])

还有另一种RNN方法,您可以将100次测量视为时间步,并在每一步输入4个传感器的数据。但是,我非常怀疑这种方法能优于CNN方法。

推荐文章

albert · AttributeError:“str”对象没有属性“str”如何解决此问题

2 年前

Anshuman Sinha · 将tensforflow中的所有nan值转换为零

2 年前

CoccoSyn · Keras TypeError:其中一个输入没有可接受的类型。具有参差不齐张量的LSTM

2 年前

rob me of my freedom · 在不使用Y_pred和Y_actual的tensorflow中编写自定义损失

2 年前

Chris · 如何捕获导入脚本功能的打印

2 年前

Jay Bhie Santos · 剩余GRU:ValueError:输入具有不兼容的形状。收到的形状(5)和(24)

2 年前

Danijel · C中TensorFlow模型文件的路径?

2 年前

Joseph · 重塑BatchDataset训练模型的输入-Tensorflow

2 年前

Arya Anish · tensorflow安装中面临的问题

2 年前

so beautiful memory · 如何将我在本地训练的tensorflow模型正确部署到谷歌云人工智能平台?我部署了它,但没有图像返回

2 年前