我正在使用 CNN+LSTM 来解决一些二元分类问题。我的代码如下。
def create_network():
model = Sequential()
model.add(Conv1D(200, kernel_size=2, activation = 'relu', input_shape=(35,6)))
model.add(Conv1D(200, kernel_size=2, activation = 'relu'))
model.add(MaxPooling1D(3))
model.add(LSTM(200, return_sequences=True))
model.add(LSTM(200, return_sequences=True))
model.add(LSTM(200))
model.add(Dense(100))
model.add(Dropout(0.2))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
当我使用上述模型时,我得到了一些不好的结果。然而,当我移除图层
model.add(MaxPooling1D(3))
时,结果有所改善。
我的问题如下。
如果需要,我很乐意提供更多详细信息。
首先,您不必使用 MaxPooling1D 层。这里的 MaxPooling 只会减少传递到 LSTM 的输入量(在本例中)。 从纯粹的技术角度来看,LSTM 可以处理任何序列长度,而 keras 会自动设置适量的输入特征
这里发生了一些有趣的事情,您可能想看一下:
很难说某种池机制会比另一种机制更好。然而,直觉是最大池化在从极端情况进行推理时效果更好,而平均池化在忽略极端情况下效果更好。
您隐式地保留了步幅,应该注意的是,池化层和卷积层的默认步幅值是不同的(无与 1)。这意味着比较有和没有最大池化的网络并不完全是同类比较,因为你大大减少了 LSTM 层获得的数据量。