Python 两个LSTM自动编码器之间的差异

我想知道这两种型号之间的区别。上面的一个有4个层查看模型摘要，您还可以定义用于降维的单位数。但是第二个模型是什么？它有3层，你不能直接定义隐藏单位的数量？LSTM自动编码器是否都用于降维和回归分析？我从和中找到了描述这两个例子的好文章吗。我没有定义变量，事实上我没有直接问编码问题。我希望这也是讨论这个话题的好地方。 1.型号：

from keras.layers import *
from keras.models import Model
from keras.layers import Input, LSTM, Dense, RepeatVector

samples=1000
timesteps=300
features=input_dim=1
data_shape=np.reshape(data,(samples,timestep,input_dim)

inputs = Input(shape=(timestep, input_dim))
encoded = LSTM(units, return_sequences=False, name="encoder")(inputs)
decoded = RepeatVector(timestep)(encoded)
decoded = LSTM(input_dim, return_sequences=True, name='decoder')(decoded)
autoencoder = Model(inputs, decoded)
encoder = Model(inputs, encoded)
print (autoencoder.summary())

二,。型号：

x = np.random.random((1000, 300, 1))

2.型号：

m = Sequential()
m.add(LSTM(100, input_shape=(300,1)))
m.add(RepeatVector(300))
m.add(LSTM(100, return_sequences=True))
print (m.summary())
m.compile(loss='mse', optimizer='rmsprop', metrics=['mse', 'mape'])
history = m.fit(x, x, nb_epoch=2000, batch_size=100)

---

当我尝试向它们添加一个具有形状的数据时，例如（1000，300，1），第一个接受它，第二个不接受，我得到的错误预期lstm_4具有形状（无，300，100），但具有形状（1000，300，1）的数组。选择输入尺寸1，单位=100。我做错了什么？这就是我想要的：

LSTM(100, input_shape=(300, 1))

单位=100 当我运行模型时，我得到以下错误：检查目标时出错：预期lstm_2具有形状（None，300100），但得到具有形状（1000300，1）的数组

---

我的错误在哪里？模型不接受我的数据形状和单位大小？

第二个模型中的

LSTM

层的单位数是其初始值设定项的第一个参数，即2。也就是说，如果你让

timestep=10

，

input\u dim=2

，和

units=2

，那么这两个模型是完全等效的。

这两个模型没有结构上的差异；它们都由一个编码器和一个由LSTM层实现的解码器组成。差异是显著的；第一个模型是在上定义的，输入被视为一个层，而第二个模型是使用定义的。至于编码器-解码器（也称为seq2seq）体系结构，它最初是被提出的，后来得到了很大的发展，最显著的改进是注意层。

当我尝试向这两个层添加形状为（1000、300、1）的数据时，第一个接受，第二个不接受，我得到的错误预期lstm_4具有形状（无，300，100），但得到了具有形状（1000，300，1）的数组。选择输入尺寸1，单位=100。我做错了什么？听起来你用的是

LSTM（1，input_-shape=（300，100））

而不是

LSTM（100，input_-shape=（300，1））

。我正在纠正它：我使用了你建议的形状，但仍然是相同的错误。当我使用LSTM（1，input_-shape=（300，1））时，它工作正常，但这不是我想要的，我有一个功能和输入大小300减少到100个单位。；你能用你从

LSTM（100，input_shape=（300，1））

得到的错误更新你的问题吗？