Keras中如何将CNN输出传入LSTM替代全连接网络

核心修改思路 #

1. 保留原有的CNN特征提取部分，移除Flatten层——因为LSTM需要接收序列格式的输入（(时间步长, 特征数)），扁平化会丢失序列维度信息
2. 在CNN输出后添加LSTM层，利用其序列建模能力替代原全连接层
3. LSTM输出后接Dropout和最终分类Dense层

修改后的完整代码 #

inputt = Input(shape=(x_train.shape[1], x_train.shape[2]))
# 原CNN特征提取模块不变
output = Conv1D(filters=64, kernel_size=4, activation='relu')(inputt)
output = MaxPooling1D(pool_size=4)(output)
output = Dropout(0.2)(output)
output = Conv1D(filters=64, kernel_size=4, activation='relu')(output)
output = MaxPooling1D(pool_size=4)(output)
output = Dropout(0.2)(output)

# 替换全连接为LSTM层
output = LSTM(64, activation='relu')(output)  # units数量可根据需求调整，默认return_sequences=False
output = Dropout(0.5)(output)

# 最终二分类输出层
output = Dense(2, activation='softmax')(output)

model = Model(inputs=inputt, outputs=output)
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

关键细节说明 #

• 输入形状匹配：经过两次Conv1D+MaxPooling1D后，CNN输出形状为(None, 30, 64)（None对应batch size，30为序列长度，64为特征数），完全符合LSTM的输入格式要求
• LSTM参数调整：如果需要堆叠多层LSTM，需将前一层的return_sequences设为True，示例如下：

  output = LSTM(64, activation='relu', return_sequences=True)(output)
  output = LSTM(32, activation='relu')(output)
  

• 激活函数修正：原代码中中间层使用softmax不合理，替换为LSTM后仅在最终分类层使用softmax（二分类也可改用sigmoid，需对应调整损失函数为binary_crossentropy）

内容的提问来源于stack exchange，提问作者John