用于多步多类时间序列分类的一维 CNN

问题描述

假设您有一个具有 n_classes 个可能类别的时间序列分类任务，并且您希望输出每个时间步长（如 seq2seq）的每个类别的概率。我们如何使用 Conv1D 网络实现多步多类分类？

如果使用 RNN，它将类似于：

# input shape (n_samples,n_timesteps,n_features)

layer = LSTM(n_neurons,return_sequences=True,input_shape=(n_timesteps n_features))
layer = Dense(n_classes,activation="softmax")(layer)

# objective output shape (n_samples,n_classes)

keras 会知道，由于 LSTM 层正在输出序列，因此它应该将 Dense 层包裹在 Timedistributed 层周围。

我们如何实现相同的但使用 Conv1D 层？我想我们需要手动将最后一个Dense层用时间分布包裹起来，但是我不知道之前如何构建网络以输出序列

# input shape (n_samples,n_features)

layer = Conv1D(n_neurons,3,input_shape=(n_timesteps n_features))

# ... ?
# can we use a Flatten layer in this case?

layer = Timedistributed(Dense(n_classes,activation="softmax"))(layer)

# objective output shape (n_samples,n_classes)

解决方法

暂无找到可以解决该程序问题的有效方法，小编努力寻找整理中！

如果你已经找到好的解决方法，欢迎将解决方案带上本链接一起发送给小编。

小编邮箱:dio#foxmail.com (将#修改为@）