ValueError：检查输入时出错：预期输入_58有3个维度，但得到了具有形状的数组（10000，10020）

Question

因此，我试图用形状为（1000010020）的数据构建一个1D CNN自动编码器。 以下是我的设置：

input_wave = Input(shape=(10020,1))
encode1 = Conv1D(16, 16)(input_wave)
pool1 = MaxPooling1D(3)(encode1)
encode2 = Conv1D(32, 60)(pool1)
pool2 = MaxPooling1D(5)(encode2)
encode3 = Conv1D(64, 130)(pool2)
pool3 = MaxPooling1D(5)(encode3)
encode4 = Conv1D(128, 105)(pool3)
up1 = UpSampling1D(10)(encode4)
drop = Dropout(.2)(up1)
up2 = UpSampling1D(10)(drop)
drop2 = Dropout(.2)(up2)
flat  = Flatten()(drop2)
Den = Dense(10020, activation = 'sigmoid', input_shape = (12800, 1))(flat)

autoencoder.compile(optimizer = 'Adam',
                    loss = 'mean_squared_error',
                    metrics = ['accuracy'])

autoencoder = Model(input_wave, Den)
autoencoder.summary()

不幸的是，我无法发布数据本身，但它的数值介于0和1之间，没有NAs，是波形数据

当我运行data.shape（）时，我得到：

(10000, 10020)

当我运行类型（数据）时，我得到：

pandas.core.frame.DataFrame

我认为我的健康声明如下所示：

autoencoder.fit(data,data,
                batch_size = 250,
                epochs = 10)

我得到以下错误：

  ValueError: Error when checking target: expected dense_7 to have 2 dimensions, but got array with shape (10000, 10020, 1)

我尝试使用data.values，并使用以下代码重塑数据：

data = np.reshape(i_data[1].values, (10000, 10020, 1))

但这给了我一个错误：

ValueError: Error when checking target: expected dense_7 to have 2 dimensions, but got array with shape (10000, 10020, 1)

因此，我的人际网络似乎在这两方面都很糟糕。对不起，我不能发布我的数据：（但如果有帮助的话，我可以制作玩具数据！有人知道我的结构问题在哪里吗

Answer 1

首先，你的自动编码器的定义很奇怪，我不知道你在用什么作为例子

您必须用相同的形状重建数据，因此您的最后一层需要输出(batch, 10020, 1)的形状，这是您的错误，您正在对数据应用展平和密集，这就是为什么您只有预期的2维输出

以下是一个简单的自动编码器工作示例：

x = Input(shape=(10020, 1), name="input")
h = Conv1D(filters=50, kernel_size=3, activation="relu", padding='same', name='Conv1')(x)
h = MaxPooling1D(pool_size=2, name='Maxpool1')(h)
h = Conv1D(filters=150, kernel_size=3, activation="relu", padding='same', name='Conv2')(h)
h = MaxPooling1D(pool_size=2,  name="Maxpool2")(h)
y = Conv1D(filters=150, kernel_size=3, activation="relu", padding='same', name='conv-decode1')(h)
y = UpSampling1D(size=2, name='upsampling1')(y)
y = Conv1D(filters=50, kernel_size=3, activation="relu", padding='same', name='conv-decode2')(y)
y = UpSampling1D(size=2, name='upsampling2')(y)
y = Conv1D(filters=1, kernel_size=3, activation="relu", padding='same', name='conv-decode3')(y)


autoencoder = Model(x, y)

你可以随心所欲地使用内核大小和过滤器，但是你需要以编码的方式对数据进行解码

此外，由于上一个密集层的存在，您的模型有1.29亿个参数，这是非常重要的

如果你需要更高的精确度，请告诉我