Conv1D 层 Keras 的 input_shape

我正在尝试制作一个用于非图像数据集二元分类的 CNN 模型。我的模型/代码正在运行并产生非常好的结果（准确性很高），但我无法理解input_shape第一层参数Conv1D.

X 或输入的形状（此处x_train_df) 为 (2000, 28)。它有 28 个特征和 2000 个样本。以及 Y 或标签的形状（此处y_train_df) 是 (2000, 1)。

model = Sequential()
model.add(Conv1D(filters = 64, kernel_size = 3, activation = 'relu', input_shape = (x_train_df.shape[1], 1)))
model.add(Conv1D(filters = 64, kernel_size = 3, activation = 'relu'))
model.add(MaxPooling1D(pool_size = 2))
model.add(Flatten())
model.add(Dense(100, activation = 'relu'))
model.add(Dense(1, activation = 'sigmoid'))

optimzr = Adam(learning_rate=0.005)
model.compile(loss='binary_crossentropy', optimizer=optimzr,  metrics=[[tf.keras.metrics.AUC(curve="ROC", name = 'auc')], [tf.keras.metrics.AUC(curve="PR", name = 'pr')]])

# running the fitting
model.fit(x_train_df, y_train_df, epochs = 2, batch_size = 32, validation_data = (x_val_df, y_val_df), verbose = 2)

我给了input_shape作为 (28, 1) （参考自这个问题 https://stackoverflow.com/questions/61030068/keras-cnn-with-1d-data).

But in Conv1D 层文档 https://keras.io/api/layers/convolution_layers/convolution1d/文中写道，

当使用该层作为模型中的第一层时，请提供 input_shape 参数（整数元组或 None，例如 (10, 128) 表示 的序列128维向量的10个向量.

我从中了解到的是 input_shape 的维度应该是 (2000, 1) 因为我有 2000 个一维向量。但将此作为input_shape显示错误为，

ValueError：层“sequential_25”的输入 0 与 层：预期形状=（无，2000，1），发现形状=（无，28）

所以我的问题是什么应该是正确的input_shape?

让我们检查一下“Conv1D”如何接受输入。

>>> # The inputs are 128-length vectors with 10 timesteps, and the batch size
>>> # is 4.
>>> input_shape = (4, 10, 128)
>>> x = tf.random.normal(input_shape)
>>> y = tf.keras.layers.Conv1D(
... 32, 3, activation='relu',input_shape=input_shape[1:])(x)
>>> print(y.shape)
    (4, 8, 32)

3+D 张量，形状：batch_shape + (steps, input_dim)

如上所示 https://keras.io/api/layers/convolution_layers/convolution1d/，有 128 个特征，10 个时间步长，批量大小为 4。因此，Conv1D 将输入视为 (batch_size,timesteps,features)。它需要 3D 输入。假设您为您的案例选择批量大小为 1。您必须提供类似 (1,2000,28) 的输入。