Matrix 用Keras理解LSTM中的输入_形状参数

我试图使用名为“Stacked LSTM for sequence classification”（参见下面的代码）的方法进行序列分类，但无法在数据上下文中找出

input\u shape

参数

我有一个25个可能的字符组成的序列矩阵作为输入，这些字符以整数编码到一个最大长度为31的填充序列中。因此，我的

x\u列车

的形状为

（1085420,31）

意思是

（n\u观察，序列长度）

在该代码中，x\U列的形状为

（1000,8,16）

，与16个元素的8个阵列的1000个阵列的形状相同。在那里，我完全不知道什么是什么，我的数据如何达到这个形状

看看Keras doc和各种教程以及问答，我似乎遗漏了一些明显的东西。有人能告诉我该找什么吗

---

谢谢你的帮助

因此，输入到

LSTM

的数据应具有形状

（样本数量、序列、特征）

。在您的情况下-因为您的特征向量只包含一个整数-您应该调整

X\u列的大小
应该具有形状
（1085420,31,1）
。由于此表示法不太适合神经网络-您应该：

将表示更改为一种热编码-然后输出应具有形状
（1085420,31,25）

使用图层并保留
（1085420,31）
形状

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

data_dim = 16
timesteps = 8
num_classes = 10

# expected input data shape: (batch_size, timesteps, data_dim)
model = Sequential()
model.add(LSTM(32, return_sequences=True,
               input_shape=(timesteps, data_dim)))  # returns a sequence of vectors of dimension 32
model.add(LSTM(32, return_sequences=True))  # returns a sequence of vectors of dimension 32
model.add(LSTM(32))  # return a single vector of dimension 32
model.add(Dense(10, activation='softmax'))

model.compile(loss='categorical_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])

# Generate dummy training data
x_train = np.random.random((1000, timesteps, data_dim))
y_train = np.random.random((1000, num_classes))

# Generate dummy validation data
x_val = np.random.random((100, timesteps, data_dim))
y_val = np.random.random((100, num_classes))

model.fit(x_train, y_train,
          batch_size=64, epochs=5,
          validation_data=(x_val, y_val))