为什么keras LSTM层需要输入形状？

我正在尝试在

keras

中创建简单的

RNN

，它将通过此数据集学习：

X = np.array([[1, 1, 1, 1, 1, 1], [1, 1, 1], [2, 2, 2, 2, 2], [1, 1, 1, 1, 1, 1, 1, 1], [2, 2, 2]])
y = np.array([[1], [1], [0], [1], [0]])

其中1s阵列为1，2s阵列为0

这是我的密码：

from keras.models import Sequential
from keras.layers import Dense, Activation
from keras.layers import LSTM
from keras.optimizers import RMSprop
import numpy as np

X = np.array([[1, 1, 1, 1, 1, 1], [1, 1, 1], [2, 2, 2, 2, 2], [1, 1, 1, 1, 1, 1, 1, 1], [2, 2, 2]])
y = np.array([[1], [1], [0], [1], [0]])

print('Build model...')
model = Sequential()
model.add(LSTM(128))
model.add(Dense(1))
model.add(Activation('softmax'))

optimizer = RMSprop(lr=0.01)
model.compile(loss='categorical_crossentropy', optimizer=optimizer)

但我得到了一个错误：

ValueError：顺序模型中的第一层必须获得

input\u-shape

或

batch\u-input\u-shape

参数

为什么

LSTM

层应该有输入形状？据我所知，理论上，可以有不同的输入形状，因为这是递归神经网络

---

如何使我的代码工作？

因此，您的错误来自这样一个事实：您需要了解如何为模型指定输入形状。在

Sequential

情况下，通常通过在第一层中设置

input\u shape

来实现

现在-问题在于你的输入。与

X = [[1, 1, 1, 1, 1, 1], [1, 1, 1], [2, 2, 2, 2, 2], [1, 1, 1, 1, 1, 1, 1, 1], [2, 2, 2]]
Y = [[1], [1], [0], [1], [0]]

您将遇到问题，因为每个序列应该具有相同的长度。我建议你做的是使用

现在，正如您所提到的，您的任务是一个

MLP

任务，因此最好使用一个层：

---

我将

激活

更改为

'sigmoid'

因为

'softmax'

无法使用

1-d

输出。因此，我将损耗改为“二进制交叉熵”

你能打印出

X.shape

？@MarcinMożejko（5，）你能打印出来吗？（我的意思是

X

）@MarcinMożejko数组（[[1,1,1,1,1,1,1]，[1,1,1,1]，[2,2,2,2]，[1,1,1,1,1,1]，[2,2,2]，[1,1,1,1]，[2,2]，[1,1,1,1]，[2,2]，[2]，dtype=object）您需要使每个列表具有相同的长度。Keras不接受长度不同的序列。谢谢。它起作用了。如何使用预测方法？当我编写model.predict（X[0]）时，我得到了：ValueError：检查时出错：预期嵌入\u输入\u 1具有形状（无，8），但得到了具有形状（8，1）的数组Try

model.predict（X[：1]）

。请记住，在预测过程中，您必须为模型提供一个完整形状的矩阵。为什么不使用掩蔽？：）嵌入和LSTM一个接一个的使用都很好，很有效！我看到嵌入层需要词汇表大小。在real app中，会有word2vec中的浮点数组，例如，不仅是1和2，还有0和1之间的任何实数。在这种情况下，如何设置词汇量？@NassimBen-yes-masking可以很好地工作。但我不想让我的答案更加复杂。在这种情况下，当您进行嵌入时，您可以切掉

嵌入层

并将向量直接馈送到

LSTM

层。

from keras.preprocessing.sequence import pad_sequences

X = pad_sequences(X)
Y = numpy.array(Y)

from keras.layers import Embedding

vocabulary_size = 2 + 1 # Maximal word index + 1
sequence_length = 8 # Maximal length of a sequence
embedding_dimension = 20 # You could choose a different one

model = Sequential()
model.add(Embedding(vocabulary_size, embedding_dimension, input_length=sequence_length)
model.add(LSTM(128))
model.add(Dense(1))
model.add(Activation('sigmoid'))

optimizer = RMSprop(lr=0.01)
model.compile(loss='binary_crossentropy', optimizer=optimizer)