如何将文献中的1D-CNN模型转化并实现为Keras模型？

一、模型图中“25x1x3”的含义 #

这个标注对应1D卷积层的三个核心参数：

• 25：卷积层的过滤器（filters）数量，即该层输出的特征通道数
• 1：输入数据的通道数（对应你设置的input_shape=(12,1)，说明输入是单变量时序数据）
• 3：卷积核大小（kernel_size），也就是卷积操作时的滑动窗口长度

二、修正后的Keras模型代码 #

你的原始代码存在维度不兼容、冗余层、激活函数误用等问题，以下是贴合文献模型结构的修正版本：

import keras
from keras.models import Sequential
from keras.layers import Dense, Conv1D, Flatten

# 构建符合文献结构的1D-CNN模型
model = Sequential()
# 第一个Conv1D层：对应标注的25x1x3
model.add(Conv1D(filters=25, kernel_size=3, activation='relu', input_shape=(12, 1)))
# 展平层：将卷积输出的三维张量转为二维，适配全连接层输入要求
model.add(Flatten())
# 全连接层：25个神经元，ReLU激活
model.add(Dense(25, activation='relu'))
# 第二、第三个Conv1D层：注意若要在全连接层后再次使用卷积，需先reshape回三维格式（但这种结构不常见）
# 若文献模型是连续卷积后接全连接，更合理的结构如下：
# model = Sequential()
# model.add(Conv1D(filters=25, kernel_size=3, activation='relu', input_shape=(12, 1)))
# model.add(Conv1D(filters=50, kernel_size=3, activation='relu'))
# model.add(Conv1D(filters=100, kernel_size=3, activation='relu'))
# model.add(Flatten())
# model.add(Dense(2200, activation='relu'))
# model.add(Dense(2, activation='softmax'))

# 查看模型结构，确认各层维度是否匹配
model.summary()

关键修正说明 #

1. 维度转换：Conv1D层输出是(None, 时序步数, 过滤器数)的三维张量，直接接Dense层会报错，必须通过Flatten()或全局池化层转为二维张量。
2. 冗余层移除：你代码中Dense(2, activation='relu')属于冗余层，分类任务最后只需一个Dense(2, activation='softmax')输出两类概率。
3. 结构合理性：若文献模型是Conv1D→Dense→Conv1D的结构，需用Reshape()将Dense输出转回三维，但这种设计在1D-CNN分类任务中较少见，建议优先确认文献模型的层级顺序。

内容的提问来源于stack exchange，提问作者user19534996