keras中的LSTM、输入形状、时间步长与nfeatures

我正在使用LSTM层与keras一起开发一个预测模型，但在理解如何格式化输入数据时遇到了问题（模型也会根据输入格式返回nan）

我会尽量给你一个清楚的解释

让我们调用X我的输入数据，y我的输出数据。两者都是形状相同的数组

X.shape = (20, 1001)  
y.shape = (20, 1001)

基本上是20个样本，每个样本有1001个值

现在，让我们定义一个简单的LSTM模型：

model = Sequential()
model.add(LSTM(32,activation='relu', input_shape=XXX ))
model.add(Dense(y.shape[1]))

输入形状（XXX）暂时保留为空白

密集层是输出数据。因此，其长度为一个样本（1001）

LSTM层的输入形状为3D：（样本、时间步长、特征）

因此，我的输入数据可以重新格式化，也可以考虑使用1001个特性的1 timestep示例

X=trainX.reshape( (trainX.shape[0], 1, trainX.shape[1]) )

这将在图层定义中提供一个输入形状

input_shape=(1, trainX.shape[1])

或者考虑使用1个功能的1001个时间步

X=trainX.reshape( (trainX.shape[0], trainX.shape[1], 1) )

以及相应的输入_形状

input_shape=(trainX.shape[1], 1)

第一个配置（1个timestep，1001个特性）可以工作

第二种配置（1001个时间步，1个功能）不起作用。训练很快返回nan值

我的问题是，为什么第二个解决方案会返回nan值（我猜我可能误解了timesteps的含义）

从概念上讲，将输入数组视为一个功能和几个时间步对我来说比相反更有意义

在最好的情况下，我会尝试两种方法以获得最好的结果

还有一件事！假定LSTM保留一些内存（考虑到该值具有读取方向，然后可以使用双向嵌入层以相反方向读取）。 如果数据显示为一个时间步，但有几个特征，那么数组的“方向性”是否仍然有意义

---

很抱歉发了这么长的帖子，希望有人能对此有所了解

1001的时间序列太大，如果你使用它，你会有消失梯度问题或爆炸梯度问题，在你的情况下，爆炸梯度使你的值太大。

好的，这将解释问题。可以使用的时间步长范围是多少？这个问题没有具体的答案，但您可以尝试不同的长度。