Keras 多对一LSTM，多类分类

我正在训练一个有64个隐藏单位的LSTM-RNN。我的数据如下：

输入：具有维度（170000、50500）->的numpy数组（示例、时间步长、功能数量）
输出：带尺寸的numpy数组（170000,10）

输出是一个具有10个类的分类变量（例如，类1对应于向量[1,0,0,0,0,0,0,0]）

到目前为止，我已经尝试了这段代码，但是出现了一个错误，指出密集层应该有一个3D输入

model = Sequential()
model.add(LSTM(64, input_shape=(50, 500), return_sequences=True,dropout=0.2, recurrent_dropout=0.2))
model.add(Dense(units = 10,activation='sigmoid'))
model.compile(loss='categorical_crossentropy', optimizer='adam')
model.fit(input, output, epochs=1, batch_size=64)

唯一有效的方法是改变输出，使其具有以下形式：（170000,50,10），除了第50个时间步外，基本上都是零

---

这是正确的方法吗？如果是的话，有没有更有效的方法？我担心的是，扩展输出的形状可能会降低代码的效率。

您所要做的就是将

return\u sequences=True

更改为

return\u sequences=False

。此外，如果每个项目只能放在一个类中，则需要将输出层中的激活函数更改为

activation='softmax'