使用Keras和x27培训分类RNN；LSTM层

我有来自四个不同身体传感器的顺序数据，并希望使用Keras API创建和训练一个递归神经网络（RNN），以使用这些参数区分四种情绪/状态

我的数据集如下所示：

(x_train, y_train), (x_test, y_test)

(CuDNN)LSTM (Input)
Dropout
BatchNormalization

(CuDNN)LSTM
Dropout
BatchNormalization

Dense
Dropout

Dense(Output)

其中，x_列和x_测试为四组形状

（传感器1、传感器2、传感器3、传感器4）

。y_-train和y_-test用范围为[0,1,2,3]的整数标记各自的对应项

我首先生成class_权重，因为不同的情绪在数据之间分布不均匀

我想实现这样一个神经网络：

(x_train, y_train), (x_test, y_test)

(CuDNN)LSTM (Input)
Dropout
BatchNormalization

(CuDNN)LSTM
Dropout
BatchNormalization

Dense
Dropout

Dense(Output)

我尝试了很多不同的方法：

使用有状态RNN（据我所知，这是本用例的最佳实践），您需要在第一层（LSTM）中指定一个批处理输入大小参数

这个

运行到一个

tensorflow.python.framework.errors\u impl.invalidargumeinterror:Invalid input\u h shape:[11024,32][1926,32]

使用fit（）-function。[1，926，32]中的“926”似乎在某种程度上取决于我输入数据的大小，并且似乎总是小于批处理大小（可能是模数？），但我不知道怎么做

这是我的第二次尝试，使用了更简单的体系结构：

model = Sequential()

model.add(CuDNNLSTM(128, input_shape=x_train[0].shape, return_sequences=True, name="LSTM_1"))
model.add(Dropout(0.2))
model.add(BatchNormalization())

model.add(CuDNNLSTM(128, name="LSTM_2"))
model.add(Dropout(0.2))
model.add(BatchNormalization())

model.add(Dense(32, activation="relu"))
model.add(Dropout(0.2))

model.add(Dense(classes, activation="softmax"))

这种更简单的方法，使用非状态LSTM层开始（甚至完成）训练，但既不能使用ModelCheckpoints，也不能使用model.save（）方法进行计算或保存，我还怀疑它的准确性（这是最终的训练结果：

损失：1.2050-精度：0.5823-val_损失：1.1452-val_精度：0.0000e+00

）

当试图保存模型时，我得到以下信息：

ValueError:Input 0与layer sequential不兼容：expected shape=（None，None，4），found shape=[None，4，1]

当试图在求值之前保存它时：

ValueError:layer有2个状态，但传递了0个初始状态。

（所讨论的层是“LSTM\u 1”）

我希望得到一个深入的回答，而不仅仅是一些代码片段，因为我（正如您可能注意到的）对这个主题总体上是非常陌生的，特别是Keras，如果需要的话，我很乐意提供更多的代码或信息