基于加速度计的手势识别Conv1D模型训练失败求助

背景与数据格式 #

我正在训练基于腕带加速度计数据的手势识别神经网络，非深度学习与Python专家。

最初使用的训练数据格式：

# 右滑手势训练数据
RightSwipeTrain = {
    "x": [639, 989, 934, 783, 683, 829, 570,479, 454, 566],
    "y": [911, 580, 331, 244, -640, -483, 265, 125, 101, 197],
    "Z": [132, 324, 307, 385, -309, -762, 748, 1035, 742, 622]
}
df = pd.DataFrame(RightSwipeTrain, index = ["0.00", "0.25", "0.45", "0.65", "0.85", "1.05", "1.25", "1.45", "1.65", "1.85"])
print(df)

之后改用平铺的时序数据格式，想确认该格式是否存在问题：

TimeSeries_RightTrain = [639, 911, 132, 989, 850, 324, 934, 331, 307, 783, 244, 385, 683, -640, -309, 829, -483, -762, 570, 265, 748, 479, 125, 1035, 454, 101, 742, 566, 197, 622]
df = pd.DataFrame(TimeSeries_RightTrain)
print(df)

模型代码 #

构建的测试模型如下：

num_vectors = 3
num_features = 3

input = ([[566, 359, 668, 1386, 513, 1086, 1276, 443, 387, 107, 83, 26, 63, 17, 838, 246, 765, 1072, 729, 1407, 1096, 955, 775, 704, 855, 539, 768, -82, -345, 328 ], 
          [1028, 823, 420, 595, 568, 596, 192, 647, 1312, 647, 991, 735, 1573, 449, -131, 1281, -271, -114, 947, -123, 242, 762, -40, 198, 906, 414, 723, 796, 881, 270], 
          [639, 911, 132, 989, 850, 324, 934, 331, 307, 783, 244, 385, 683, -640, -309, 829, -483, -762, 570, 265, 748, 479, 125, 1035, 454, 101, 742, 566, 197, 622]])
output = ( [1,0,0], [0,1,0], [0,0,1] )

# print training vectors
for i,c in enumerate(input):
    print("input: {}, output: {}".format(c, output[i]))

from keras.activations import linear
from keras.layers.pooling.max_pooling1d import MaxPool1D

l0 = tf.keras.layers.Dense(units=3, input_shape=[30,1], activation='relu')
l1 = tf.keras.layers.Conv1D(filters=10, kernel_size=3, strides=1, padding='valid', activation='relu', kernel_initializer="glorot_uniform")
l2 = tf.keras.layers.Dense(units=4,activation='softmax')

model = tf.keras.Sequential([l0, l1, l2])
model.compile(loss='categorical_crossentropy',optimizer=tf.keras.optimizers.Adam(0.1))

history = model.fit(input, output, epochs=100, verbose=True)

报错信息 #

在Google Colab运行时出现以下错误：

ValueError: in user code:

File "/usr/local/lib/python3.8/dist-packages/keras/engine/training.py", line 1249, in train_function  *
    return step_function(self, iterator)
File "/usr/local/lib/python3.8/dist-packages/keras/engine/training.py", line 1233, in step_function  **
    outputs = model.distribute_strategy.run(run_step, args=(data,))
File "/usr/local/lib/python3.8/dist-packages/keras/engine/training.py", line 1222, in run_step  **
    outputs = model.train_step(data)
File "/usr/local/lib/python3.8/dist-packages/keras/engine/training.py", line 1023, in train_step
    y_pred = self(x, training=True)
File "/usr/local/lib/python3.8/dist-packages/keras/utils/traceback_utils.py", line 70, in error_handler
    raise e.with_traceback(filtered_tb) from None
File "/usr/local/lib/python3.8/dist-packages/keras/engine/input_spec.py", line 295, in assert_input_compatibility
    raise ValueError(

ValueError: Input 0 of layer "sequential_5" is incompatible with the layer: expected shape=(None, 30, 1), found shape=(None, 10, 3)

解决方案 #

报错核心是输入数据形状与模型输入层定义不匹配，具体调整步骤如下：

1. 修正输入数据形状 #

你的输入数据每个样本是30个数值，对应10个时间步的x/y/z三轴数据（10×3=30），需要将每个样本从一维数组(30,)重塑为时序格式(10,3)，让模型识别每个时间步的3个特征。

代码示例：

import numpy as np

# 转换为numpy数组方便处理
input_data = np.array(input)
# 重塑形状：(样本数, 时间步长, 特征数)
input_reshaped = input_data.reshape(3, 10, 3)
# 输出也转换为numpy数组
output_data = np.array(output)

2. 调整模型输入层与结构 #

• 输入层input_shape改为(10,3)，对应每个样本10个时间步、3个特征。
• 调整模型顺序：Conv1D适合先处理时序数据，之后展平再用Dense层分类，原模型把Dense放在Conv1D前不合理。
• 输出层units改为3，因为是3分类任务，与输出标签维度匹配。
• 降低Adam学习率（从0.1改为0.001），避免训练震荡。

修改后的模型代码：

import tensorflow as tf

# 定义模型层
conv_layer = tf.keras.layers.Conv1D(
    filters=10,
    kernel_size=3,
    strides=1,
    padding='valid',
    activation='relu',
    kernel_initializer="glorot_uniform",
    input_shape=(10,3)  # 匹配重塑后的输入形状
)
pool_layer = tf.keras.layers.MaxPool1D(pool_size=2)  # 可选，降低特征维度
flatten_layer = tf.keras.layers.Flatten()  # 把卷积输出展平为一维
output_layer = tf.keras.layers.Dense(units=3, activation='softmax')  # 3分类输出

# 构建模型
model = tf.keras.Sequential([conv_layer, pool_layer, flatten_layer, output_layer])
model.compile(
    loss='categorical_crossentropy',
    optimizer=tf.keras.optimizers.Adam(0.001)  # 降低学习率
)

# 训练模型
history = model.fit(input_reshaped, output_data, epochs=100, verbose=True)

3. 数据格式说明 #

你后来改用的平铺时序格式本身没问题，但需要**重塑为(时间步长, 特征数)**的结构，才能让时序模型（如Conv1D）正确理解数据的时间序列关系。

内容的提问来源于stack exchange，提问作者Kevin Birk