Python 3.x 如何一次预测一个数据点，然后使用所有数据更新网络，包括使用LSTM更新最后一个数据点

我有27个特征的数据集，1012个训练数据和125个测试数据。 我使用LSTM网络对训练集上的数据进行了训练。但当测试它时，我不希望它一次预测所有125个，因为我在处理时间序列。相反，我希望网络迭代测试数据，一次预测一个点，并以增量方式更新自身。 为此，我编写了以下代码，使用索引对测试数据进行迭代：

Predictions = list()
for i in range(X):
        model = load_model('model %s' %i)
        y_pred = model.predict(x_test_t[i], batch_size=BATCH_SIZE)
        y_pred = y_pred.flatten()

        # Descaling the Predicted Values
        Dynamic_Trainer.pred = (y_pred * min_max_scaler.data_range_[3]) + min_max_scaler.data_min_[3]
        Dynamic_Trainer.test = (y_test_tt * min_max_scaler.data_range_[3]) + min_max_scaler.data_min_[3]

        #Saving the model for each new data point predicted and added to training
        u = i+1
        model = model.save(Output_path + \Model %d'%u)

        # Saving each new prediction (Dynamic_Trainer is the function i made of the LSTM)
        Predictions.append(Dynamic_Trainer.pred)

但是我得到了这个错误：

ValueError：检查输入时出错：预期lstm_1_输入为3维，但得到了形状为（4,27）的数组。

TLDR：我如何迭代三维数据，一次提取一个三维数据并将其提供给网络

---

编辑：如果有更有效的方法来实现同样的目标，我愿意听取建议。

对于任何有同样问题的人，感谢@Marco Cerliani，我找到的解决方案就是使用：y_pred=model.predict（x_test_t[i][None，：，：]）对于循环。

对于任何有相同问题的人来说，感谢@Marco Cerliani，我找到的解决方案是只使用：y_pred=model。预测（x_test_t[i][None，：，：，：]）用于循环。

4是LSTM的时间步长维度？是的，时间步长=4，批量大小=1ok，用这种方式尝试。。。y_pred=model.predict（x_test_t[i][None，：，：，：]）我得到了这个错误：ValueError：找到了样本数不一致的输入变量：[125，1]我似乎是在代码的不同部分出错。你的指令绝对正确，我的代码现在可以运行了。非常感谢！4是LSTM的时间步长维度吗？是的，时间步长=4，批量大小=1ok，请这样尝试。。。y_pred=model.predict（x_test_t[i][None，：，：，：]）我得到了这个错误：ValueError：找到了样本数不一致的输入变量：[125，1]我似乎是在代码的不同部分出错。你的指令绝对正确，我的代码现在可以运行了。非常感谢！