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]]
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 = 4
input_dim = 3
model.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 dimension
att3 .1 | notice the features have length 1. each
att4 .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 case
input_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 Model
from keras.layers import Conv1D, Dense, MaxPool1D, Flatten, Input
import numpy as np
inp = 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 data
X = np.expand_dims(np.random.randn(10, 5), axis=2)
y = np.random.randn(10, 1)
# fit model
model.fit(X, y)
602392714
清零编程群