活动识别数据集重塑为3D格式输入2D CNN出现reshape报错如何解决

你执行reshape失败的核心原因是数组总元素数量不匹配：

• 原X_train总元素数：1418 * 80 * 6 = 680640
• 你尝试reshape后的总元素数：1418 * 20 * 2 * 1 = 56720
  两者数值完全不符，因此抛出reshape异常。

2D CNN的标准输入格式为(样本数, 特征图高度, 特征图宽度, 通道数)，你需要保证reshape前后单样本的元素总数（原单样本元素为80*6=480）不变，以下是活动识别场景下两种常用的合法方案：

方案1：时序特征直接映射（最常用） #

把80个时间步作为特征图高度，6个传感器特征作为宽度，设置单通道，完全保留原始数据的时序和特征维度：

# 训练集重塑
X_train = X_train.reshape(X_train.shape[0], X_train.shape[1], X_train.shape[2], 1)
# 测试集重塑
X_test = X_test.reshape(X_test.shape[0], X_test.shape[1], X_test.shape[2], 1)

输出形状：X_train为(1418, 80, 6, 1)，X_test为(355, 80, 6, 1)

方案2：自定义特征图宽高 #

如果你需要适配特定输入尺寸的2D CNN，可以将单样本的480个元素拆分为任意两个整数乘积的宽高组合，比如拆为20*24的特征图：

# 训练集重塑
X_train = X_train.reshape(1418, 20, 24, 1)
# 测试集重塑
X_test = X_test.reshape(355, 20, 24, 1)

输出形状：X_train为(1418, 20, 24, 1)，X_test为(355, 20, 24, 1)

• 拆分宽高时只要保证高度*宽度 = 480即可，比如16*30、10*48等组合都可以合法使用
• 如果你的任务使用多通道输入，可根据特征属性拆分通道，只要保证总元素数和原数组一致即可

内容的提问来源于stack exchange，提问作者dijsat