Python Tensorflow LSTM：根据之前的一系列动作预测下一个动作

我的输入数据由10个样本组成，每个样本有200个时间步，而每个时间步由30维向量描述。 此外，每个时间步由一个三维向量（一个热编码）组成，该向量描述在该特定时间步采取的动作。话虽如此，我正试图建立一个模型，在所有之前的行动中都能得到支持，然后预测下一步采取的行动最好

我试图通过tflearn和tensorflow来实现这一点，但迄今为止收效甚微

简单示例代码：

import numpy as np
import operator
import tflearn
from tflearn import regression
from tflearn.layers.core import input_data, dropout, fully_connected
from tflearn.layers.embedding_ops import embedding
from tflearn.layers.recurrent import bidirectional_rnn, BasicLSTMCell
from tflearn.data_utils import to_categorical, pad_sequences

SAMPLES = 10
TIME_STEPS = 200
DATA_DIMENSIONS = 30
LABEL_CLASSES = 3

x = []
y = []
# Generate fake data.
for i in range(SAMPLES):
    sequences = []
    outputs = []
    for i in range(TIME_STEPS):
        d = []
        for i in range(DATA_DIMENSIONS):
            d.append(1)
        sequences.append(d)
        outputs.append([0,0,1])
    x.append(sequences)
    y.append(outputs)
print("X1:", len(x), ", X2:", len(x[0]), ", X3:", len(x[0][0]))
print("Y1:", len(y), ", Y2:", len(y[0]), ", Y3:", len(y[0][0]))

# Define model
net = tflearn.input_data([None, TIME_STEPS, DATA_DIMENSIONS], name='input')
net = tflearn.lstm(net, 128, dropout=0.8, return_seq=True)
net = tflearn.fully_connected(net, LABEL_CLASSES, activation='softmax')
net = tflearn.regression(net, optimizer='adam', loss='categorical_crossentropy',  name='targets')
model = tflearn.DNN(net)

# Fit model.
model.fit({'input': x}, {'targets': y},
            n_epoch=1,
            snapshot_step=1000,
            show_metric=True, run_id='test', batch_size=32)

错误

ValueError:无法为张量输入形状（10、200、3）的值 “目标/Y:0”，其形状为“（？，3）”

据我所知，输入的数据应该是正确的。然而，输出数据显然是错误的，至少Tensorflow抛出了一个错误。这可能是因为我的模型期望每个样本有一个标签，而不是每个时间步有一个标签

我甚至可以通过LSTM实现我的目标，如果可以，我必须如何设置我的模型

谢谢，

---

罗伯特

正如错误所暗示的，目标张量的预期大小与实际提供的数据之间存在形状不匹配。让我们把它分解一下

据我所知，您已经为序列的每个时间步标记了action。这意味着您提供的标签应具有形状

（10200,3）

。这似乎是错误消息中的情况。好

所以我们现在知道错误来自于网络产生的

=================

输入数据->

（10200,30）

LSTM->

（10128）

（因为

返回\u seq=False

）

完全连接->

（10,3）

=================

因此，这就解释了错误消息的第二部分，您的网络确实生成了一个与您的数据不匹配的shape

（10，3）

输出

---

我认为您错过了LSTM的

return\u seq

参数。与RNN实现通常的情况一样，您有一个参数告诉您是希望层返回整个序列的输出，还是仅返回最后一个时间步的输出。在这里，默认情况下这是第二个选项，这就是为什么您不能获得具有预期形状的输出。使用

return\u seq=True

你的三维动作向量包含什么样的数据？分类的还是连续的？@Anis三维动作向量是一个热编码：[1,0,0]=动作1，[0,1,0]=动作2，[0,0,1]=动作3。这就是我定义的全部。我猜tflearn在幕后做了很多。谢谢你，阿尼斯，这是一个很好的开始，但仍然会导致一个错误：“net=tflearn.fully_connected（net，label_dimensions，activation='softmax'）fully_connected:assert len（input_shape）>1，“传入的张量形状必须至少是2-D”assertioner错误：传入的张量形状必须至少是2-D你能告诉我全部代码吗？我看不出添加

return\u seq=True

会如何导致输出从二维变为一维…我在原始帖子中更新了代码。请看一看