使用 Keras 和 R 为 CNN 重塑平面向量

Question

我正在尝试制作一个 CNN 来对 EEG 进行分类。我的数据集由 4320 个观测值组成。每个观察值都是一个 1440 列的平面向量。由8个180ms的电极信号组成 $\left( 8*180=1440 \right)$.

我想使用一维卷积神经网络 this article，它解释了如何使用 Keras 在 python 上制作一维 CNN。但我想用 R.

我在重塑信号时遇到了问题。我想我需要将数据集从 4320*1440 重塑为 4320*180*8，但我不知道如何实现。我尝试了 x <- k_reshape(train.x, c(180,8)) 函数，但出现以下错误：

py_call_impl错误（可调用，点<span class="math-container">$args，点$</span>关键字）：
TypeError：无法将 <type 'dict'> 类型的对象转换为 Tensor。内容：{'C4_086': 31.419 等...

有什么想法吗？

Answer 1

好的，我用错了函数。要重塑平面矢量，正确的方法是使用 layer_reshape 作为第一个布局。

这里以我的网络为例：

num_time_periods = 180
num_sensors = 8
input_shape = num_sensors*num_time_periods

model = keras_model_sequential()
model %>%
  layer_reshape(c(num_time_periods, num_sensors), input_shape = input_shape) %>%
  layer_conv_1d(100, 10, activation = 'relu', input_shape = input_shape) %>%
  layer_conv_1d(100, 10, activation = 'relu', input_shape = input_shape) %>%
  layer_max_pooling_1d(8) %>%
  layer_conv_1d(160, 10, activation = 'relu') %>%
  layer_conv_1d(160, 10, activation = 'relu') %>%
  layer_global_average_pooling_1d() %>%
  layer_dropout(0.5) %>%
  layer_dense(2, activation = 'softmax')

使用 Keras 和 R 为 CNN 重塑平面向量

Reshape flat vectors with Keras and R for CNN

r

shapes

conv-neural-network

keras