具有可变特征数量的列车Keras LSTM模型

我正在Keras中训练一个顺序到顺序的自动编码器，我的输入是

（num\u示例、时间步长、num\u特性）

。问题是，

num\u features

对于所有示例都不一样，而且，我将来还会得到更多未知

num\u features

大小的示例

到目前为止，我的代码是：

    # model architecture
    inputs = Input(shape=data.shape[1:])

    encoded1 = LSTM(32, return_sequences=True)(inputs)
    encoded2 = LSTM(32)(encoded1)

    latent_space = Dense(encoding_size)(encoded2)

    decoded1 = RepeatVector(1)(latent_space)
    decoded2 = LSTM(encoding_size, return_sequences=True)(decoded1)

    sequence_autoencoder = Model(inputs, decoded2)

---

我尝试了：

inputs=Input（shape=（1，None））

但它抛出了一个错误。有什么想法吗？

在使用lstm时，可以通过在输入形状中将None设置为timestep来处理输入大小的变化

inputs = Input(shape=(BATCH_SIZE,None,channels))

---

通过这种方式，您可以向LSTM提供可变大小的输入。

我不完全理解此解决方案。。这只适用于分类问题吗？那么时间序列呢，时间步长是显式的呢？@robertotomás这个解决方案也可以用于时间序列预测。其思想是为推理提供一个可变大小的序列。它看起来像是一个变量

步骤

，而不是

功能

。