我如何使用 keras 创建 3d 输入/3d 输出卷积模型？

我有一个小问题无法解决。

我想使用完全连接的 MLP 来实现 CNN 模型到我的蛋白质数据库，该数据库有 2589 个蛋白质。每个蛋白质有 1287 行和 69 列作为输入，1287 行和 8 列作为输出。实际上有 1287x1 输出，但我对类标签使用了一种热编码，以便在模型中使用交叉熵损失。

我也想要

如果我们认为图像我有一个 3d 矩阵 ** X_train = (2589, 1287, 69) 用于输入** 和y_train =(2589, 1287, 8) 输出，我的意思是输出也是矩阵。

下面是我的 keras 代码：

model = Sequential()
model.add(Conv2D(64, kernel_size=3, activation="relu", input_shape=(X_train.shape[1],X_train.shape[2])))
model.add(Conv2D(32, kernel_size=3, activation="relu"))
model.add(Flatten())
model.add(Dense((8), activation="softmax"))

但我遇到了关于密集层的错误：

ValueError: Error when checking target: expected dense_1 to have 2 dimensions, but got array with shape (2589, 1287, 8)

好的，我知道 Dense 应该采用正整数单位（Keras 文档中的解释）。但是我如何将矩阵输出实现到我的模型中？

我尝试过：

model.add(Dense((1287,8), activation="softmax"))

和其他东西，但我找不到任何解决方案。

非常感谢。

The Conv2D层需要输入形状为(batch_size, height, width, channels)。这意味着每个样本都是一个 3D 数组。

您的实际输入是(2589, 1287, 8)意味着每个样本都有形状(1289, 8)- 2D 形状。因此，您应该使用Conv1D代替Conv2D.

其次你想要一个输出(2589, 1287, 8)。由于每个样本都是二维形状，因此没有意义Flatten()输入 -Flatten()会将每个样本的形状减少为一维，并且您希望每个样本都是二维的。

最后取决于你的填充Conv层，形状可能会根据kernel_size。因为你想保留中间维度1287, use padding='same'以保持大小相同。

from keras.models import Sequential
from keras.layers import Conv1D, Flatten, Dense
import numpy as np

X_train = np.random.rand(2589, 1287, 69)
y_train = np.random.rand(2589, 1287, 8)


model = Sequential()
model.add(Conv1D(64, 
                 kernel_size=3, 
                 activation="relu", 
                 padding='same',
                 input_shape=(X_train.shape[1],X_train.shape[2])))
model.add(Conv1D(32, 
                 kernel_size=3, 
                 activation="relu",
                 padding='same'))
model.add(Dense((8), activation="softmax"))

model.summary()
model.compile(loss='categorical_crossentropy', optimizer='adam')
model.fit(X_train, y_train)