使用 CNN 进行 tflearn 分类 (conv_1d)
tflearn classification with CNN (conv_1d)
我对 tflearn 和 CNN 的使用有疑问。我有 n 数据变量（浮点）和 m 类 的分类问题。我试图通过使用来实现这一点
https://github.com/tflearn/tflearn/blob/master/examples/nlp/cnn_sentence_classification.py 这只是我的数据集。但是他们使用了一个嵌入，这对我不起作用（我有无数可能的输入值，因为它们是浮点数）。如果我只是删除行 network = tflearn.embedding(network, input_dim=10000, output_dim=128)，我没有 3-d 张量作为以下 conv_1d 层的输入。谁能帮帮我？那么我怎样才能将我的数据变成正确的形状来应用一些卷积呢？
谢谢！！
在最后加一个额外的维度，它需要一个通道维度，像这样（把第二个改成这样，第一个和第三个我复制了以便于理解）：
network = input_data(shape=[None, 100], name='input')
network = tf.expand_dims(network, 2)
branch1 = conv_1d(network, 128, 3, padding='valid', activation='relu', regularizer="L2")
我对 tflearn 和 CNN 的使用有疑问。我有 n 数据变量（浮点）和 m 类 的分类问题。我试图通过使用来实现这一点
https://github.com/tflearn/tflearn/blob/master/examples/nlp/cnn_sentence_classification.py 这只是我的数据集。但是他们使用了一个嵌入，这对我不起作用（我有无数可能的输入值，因为它们是浮点数）。如果我只是删除行 network = tflearn.embedding(network, input_dim=10000, output_dim=128)，我没有 3-d 张量作为以下 conv_1d 层的输入。谁能帮帮我？那么我怎样才能将我的数据变成正确的形状来应用一些卷积呢？
谢谢！！
在最后加一个额外的维度，它需要一个通道维度，像这样（把第二个改成这样，第一个和第三个我复制了以便于理解）：
network = input_data(shape=[None, 100], name='input')
network = tf.expand_dims(network, 2)
branch1 = conv_1d(network, 128, 3, padding='valid', activation='relu', regularizer="L2")