问题描述
我正在训练CNN来检测我的输入数据上的某些模式，如果找到了模式，则返回1。 输入均为形状（200，），标签为（1，）。我的资料有限，所以我需要找到方法来协助训练。
当输入最初来自较早的时间时，图案和峰往往更圆。当它们最初来自较晚的时间时，它们往往会变得嘈杂而尖刻。
我认为，如果我将所有数据根据它们来自的时间（从取整器到加长脉冲器，可能是0到2）分成3个bin，我可以提供它，这可以帮助CNN更好地理解模式，但是我我不确定如何提供这些信息。
到目前为止，这是我的代码：
model_m5 = Sequential()
model_m5.add(Reshape((200,1),input_shape=(200,)))
model_m5.add(Conv1D(60,4,activation='relu',1)))
model_m5.add(Conv1D(60,activation='relu'))
model_m5.add(MaxPooling1D(pool_size=5))
model_m5.add(Conv1D(80,10,activation='relu'))
model_m5.add(Conv1D(80,activation='relu'))
model_m5.add(GlobalAveragePooling1D())
model_m5.add(Dropout(0.5))
model_m5.add(Dense(1,activation='sigmoid'))
print(model_m5.summary())
解决方法
TensorFlow的 WideDeepModel 满足了我的要求。
一旦有了深层模型（from django.contrib import admin
class CommentInlineAdmin(admin.TabularInline):
model = Comment
class UploadedAdmin(admin.ModelAdmin):
inlines = [CommentInlineAdmin]
admin.register(Uploaded,UploadedAdmin)
），就可以轻松包含线性分量（linear_model）；这样，您可以在组合模型中一起训练它们：
dnn_model文档和示例可在此处找到： https://www.tensorflow.org/api_docs/python/tf/keras/experimental/WideDeepModel#example_5