td; LR你需要重塑你的数据有一个 空间 维度
Conv1d是有道理的：
X = np.expand_dims(X, axis=2) # reshape (569, 30) to (569, 30, 1) # now input can be set as model.add(Conv1D(2,2,activation='relu',input_shape=(30, 1))
本质上重塑如下所示的数据集：
features .8, .1, .3 .2, .4, .6 .7, .2, .1
至：
[[.8.1.3],[.2, .4, .6 ],[.3, .6 .1]]
解释和例子
通常，卷积在空间维度上起作用。内核在产生张量的维度上“卷积”。对于Conv1D，在每个示例的“步骤”维度上传递内核。
您将看到NLP中使用的Conv1D，其中
steps是句子中的单词数（填充到某个固定的最大长度）。单词可能会被编码为长度为4的向量。
这是一个示例语句：
jack .1 .3 -.52 |is .05 .8, -.7 |<--- kernel is `convolving` along this dimension.a .5 .31 -.2 |boy .5 .8 -.4 |/
在这种情况下，我们将输入设置为转换的方式：
maxlen = 4input_dim = 3model.add(Conv1D(2,2,activation='relu',input_shape=(maxlen, input_dim))
在您的情况下，您会将要素视为空间维度，每个要素的长度为1。（请参见下文）
这是您数据集中的一个例子
att1 .04 |att2 .05 | < -- kernel convolving along this dimensionatt3 .1 | notice the features have length 1. eachatt4 .5 |/ example have these 4 featues.
然后将Conv1D示例设置为：
maxlen = num_features = 4 # this would be 30 in your caseinput_dim = 1 # since this is the length of _each_ feature (as shown above)model.add(Conv1D(2,2,activation='relu',input_shape=(maxlen, input_dim))
如您所见，您的数据集必须重塑为（569，30，1）使用：
X = np.expand_dims(X, axis=2) # reshape (569, 30, 1) # now input can be set as model.add(Conv1D(2,2,activation='relu',input_shape=(30, 1))
这是一个可以运行的完整示例（我将使用Functional API）
from keras.models import Modelfrom keras.layers import Conv1D, Dense, MaxPool1D, Flatten, Inputimport numpy as npinp = Input(shape=(5, 1))conv = Conv1D(filters=2, kernel_size=2)(inp)pool = MaxPool1D(pool_size=2)(conv)flat = Flatten()(pool)dense = Dense(1)(flat)model = Model(inp, dense)model.compile(loss='mse', optimizer='adam')print(model.summary())# get some dataX = np.expand_dims(np.random.randn(10, 5), axis=2)y = np.random.randn(10, 1)# fit modelmodel.fit(X, y)
