我目前嘗試為Keras中的時間序列分類建立順序模型時遇到問題。我想使用channels_first數據，因為從perprocessing的角度來看它更方便（不過，我只使用一個通道）。Convolution1D正如我可以指定的那樣data_sample='channels_first'，這對于我正在使用的圖層來說效果很好，但是某種程度上Maxpooling1D，這對它是行不通的，它似乎沒有此選項。我要構建的模型結構如下：model = Sequential()model.add(Convolution1D(filters=16, kernel_size=35, activation='relu', input_shape=(1, window_length), data_format='channels_first'))model.add(MaxPooling1D(pool_size=5)model.add(Convolution1D(filters=16, kernel_size=10, activation='relu', data_format='channels_first'))[...] #several other layers here在window_length = 5000添加了所有三個層之后，我得到以下摘要：_________________________________________________________________Layer (type)                 Output Shape              Param #  =================================================================conv1d_1 (Conv1D)           (None, 32, 4966)          1152     _________________________________________________________________max_pooling1d_1 (MaxPooling1 (None, 4, 4966)           0        _________________________________________________________________conv1d_2 (Conv1D)           (None, 16, 4957)          656      =================================================================Total params: 1,808Trainable params: 1,808Non-trainable params: 0現在，我想知道這是否正確，因為我希望池化層減少第三維（即特征圖中的神經元數量）而不是第二維（即過濾器的數量）？正如我所見，MaxPooling1D它無法識別channels_first排序，雖然Keras 文檔說存在一個關鍵字data_formatfor MaxPooling2D，但沒有這樣的關鍵字 for MaxPooling1D。我用一種channels_last數據格式測試了整個設置，它按我的預期工作。但是由于從channels_first到的轉換channels_last對我來說需要相當長的時間，所以我真的寧愿將這項工作與channels_first. 而且我有一種感覺，我只是想念一些東西。如果您需要更多信息，請告訴我。