我最近开始学习深度学习和强化学习，我试图弄清楚如何使用 Keras 为 10 行 3 列的 0 和 1 矩阵编写卷积神经网络。
例如，输入矩阵看起来像这样
[
[1, 0, 0],
[0, 1, 0],
[0, 0, 0],
...
]
输出应该是另一个由 0 和 1 组成的矩阵，与前面提到的输入矩阵不同，并且具有不同的行数和列数。
输出矩阵中 0 和 1 的位置取决于输入矩阵中 0 和 1 的位置。
还有第二个输出，一个数组，其中的值取决于输入矩阵中 1 的位置。
我在互联网上搜索了代码示例，但找不到任何有用的东西。
Edit:
神经网络的输入是一个 10 行、每行 3 列的 2D 数组。 输出（至少现在）是一个 12 行的 2D 数组，每行有 10 列（与输入 2D 数组中的行数相同）。
这是我到目前为止想到的，我不知道它是否正确。
nbre_users = 10 # number of rows in the input 2D matrix
nbre_subchannels = 12 # number of rows in the output 2D matrix
model = Sequential()
model.add(Dense(50, input_shape=(nbre_users, 3), kernel_initializer="he_normal" ,activation="relu"))
model.add(Dense(20, kernel_initializer="he_normal", activation="relu"))
model.add(Dense(5, kernel_initializer="he_normal", activation="relu"))
model.add(Flatten())
model.add(Dense(nbre_subchannels))
model.add(Dense(nbre_users, activation = 'softmax'))
model.compile(optimizer=Adam(learning_rate=1e-4), loss='mean_squared_error')
以下是模型摘要：
澄清后，这是我的答案。
您试图解决的问题似乎是一个神经网络，它将大小为 (10,3,1) 的 2D 灰度图像转换为大小为 (12,10,1) 的 2D 灰度图像。
2D 灰度图像只不过是一个额外轴设置为 1 的 2D 矩阵。
a = np.array([[0,1,0],
[1,0,1],
[0,1,0]])
a.shape
#OUTPUT = (3,3)
a.reshape((3,3,1)) #reshape to 3,3,1
#OUTPUT -
#array([[[0],
# [1],
# [0]],
#
# [[1],
# [0],
# [1]],
#
# [[0],
# [1],
# [0]]])
所以(10,3)的2D矩阵可以称为单通道(10,3,1)的3D图像。这将使您能够正确地将卷积应用于您的输入。
如果这部分清楚了，那么在网络的前向计算中，由于要确保捕获1和0的空间位置，所以要使用卷积层。在这里使用密集层不是正确的步骤。
然而，一系列卷积运算有助于Downsample和图像。由于您需要输出二维矩阵（灰度图像），因此您想要Upsample以及。这样的网络称为 Deconv 网络。
第一个系列的层对输入进行卷积，将它们“展平”为通道向量。下一组层使用 2D Conv Transpose 操作将通道更改回 2D 矩阵（灰度图像）
Refer to this image for reference - 
下面是一个示例代码，向您展示如何使用反卷积网络将 (10,3,1) 图像转换为 (12,10,1) 图像。
from tensorflow.keras import layers, Model
inp = layers.Input((10,3,1)) ##
x = layers.Conv2D(2, (2,2))(inp) ## Convolution part
x = layers.Conv2D(4, (2,2))(x) ##
x = layers.Conv2DTranspose(4, (3,4))(x) ##
x = layers.Conv2DTranspose(2, (2,4))(x) ## Deconvolution part
out = layers.Conv2DTranspose(1, (2,4))(x) ##
model = Model(inp, out)
model.summary()
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
input_33 (InputLayer) [(None, 10, 3, 1)] 0
_________________________________________________________________
conv2d_49 (Conv2D) (None, 9, 2, 2) 10
_________________________________________________________________
conv2d_50 (Conv2D) (None, 8, 1, 4) 36
_________________________________________________________________
conv2d_transpose_46 (Conv2DT (None, 10, 4, 4) 196
_________________________________________________________________
conv2d_transpose_47 (Conv2DT (None, 11, 7, 2) 66
_________________________________________________________________
conv2d_transpose_48 (Conv2DT (None, 12, 10, 1) 17
=================================================================
Total params: 325
Trainable params: 325
Non-trainable params: 0
_________________________________________________________________
显然，可以随意添加激活、丢失、池化层等。上面的代码只是展示了如何使用下采样和上采样从给定的单通道图像到另一个单通道图像。
顺便说一句，我真的建议您花一些时间了解 CNN 的工作原理。反卷积网络很复杂，如果您正在解决涉及它们的问题，在正确理解 2D CNN 的工作原理之前，可能会导致一些基础问题，特别是如果您开始学习这个领域。