Python ValueError：检查输入时出错：预期cu_dnnlstm_22_输入为3维，但得到了具有形状的数组（2101，17）

我是机器学习新手。我无法将数据导入网络

这是我收到的错误：

ValueError：检查输入时出错：预期cu_dnnlstm_22_输入为3维，但得到了形状为（2101，17）的数组。

我已经尝试在密集层之前添加

model.add（flatte（））

。我非常感谢你的帮助

BATCH_SIZE = 64

test_size_length = int(len(main_df)*TESTING_SIZE)
training_df = main_df[:test_size_length]
validation_df = main_df[test_size_length:]

train_x, train_y = training_df.drop('target',1).to_numpy(), training_df['target'].tolist()
validation_x, validation_y = validation_df.drop('target',1).to_numpy(), validation_df['target'].tolist()

#train_x.shape is  (2101, 17)

model = Sequential()
# model.add(Flatten())
model.add(CuDNNLSTM(128, input_shape=(train_x.shape), return_sequences=True))
model.add(Dropout(0.2))
model.add(BatchNormalization())

model.add(CuDNNLSTM(128, return_sequences=True))
model.add(Dropout(0.1))
model.add(BatchNormalization())

model.add(CuDNNLSTM(128))
model.add(Dropout(0.2))
model.add(BatchNormalization())

model.add(Dense(32, activation='relu'))
model.add(Dropout(0.2))

model.add(Dense(2, activation='softmax'))


opt = tf.keras.optimizers.Adam(lr=0.001, decay=1e-6)

# Compile model
model.compile(
    loss='sparse_categorical_crossentropy',
    optimizer=opt,
    metrics=['accuracy']
)

tensorboard = TensorBoard(log_dir="logs/{}".format(NAME))

filepath = "RNN_Final-{epoch:02d}-{val_acc:.3f}"  # unique file name that will include the epoch and the validation acc for that epoch
checkpoint = ModelCheckpoint("models/{}.model".format(filepath, monitor='val_acc', verbose=1, save_best_only=True, mode='max')) # saves only the best ones

# Train model
history = model.fit(
    train_x, train_y,
    batch_size=BATCH_SIZE,
    epochs=EPOCHS,
    validation_data=(validation_x, validation_y),
    callbacks=[tensorboard, checkpoint],
)

# Score model
score = model.evaluate(validation_x, validation_y, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])
# Save model
model.save("models/{}".format(NAME))

---

输入到LSTM层（

CuDNNLSTM

）的形状应为：

（批大小、时间步长、输入尺寸）

看起来您缺少其中一个维度

通常，在输入维度为1的情况下，我们可以监督最后一个维度。如果你的模型是这样的（如果你是从单个数字序列中预测的），那么你可以考虑在<代码> cUnnLSTM层之前扩展维度，类似于这样的：

model.add（Lambda（Lambda t:tf.expand_dims（t，axis=-1）））
模型添加（CuDNNLSTM（128））

---

在不知道您正在处理的问题的情况下，很难知道这是否是一种有效的前进方式，但您肯定应该记住LSTM层所需的形状，并相应地重塑/扩展dim。

输入到LSTM层（

CuDNNLSTM

）的形状应为：

（批量大小、时间步长、输入dim）

看起来您缺少其中一个维度

通常，在输入维度为1的情况下，我们可以监督最后一个维度。如果你的模型是这样的（如果你是从单个数字序列中预测的），那么你可以考虑在<代码> cUnnLSTM层之前扩展维度，类似于这样的：

model.add（Lambda（Lambda t:tf.expand_dims（t，axis=-1）））
模型添加（CuDNNLSTM（128））

---

在不知道您正在解决的问题的情况下，很难知道这是否是一种有效的解决方法，但您肯定应该记住所需的LSTM层形状，并相应地重塑/扩展DIM。

谢谢您的回答。因此，我对这一点是全新的，并且从一个类似的项目中复制了用于向网络添加层的代码。我传入的数据如下所示：数组（[[0,0,0.，…，0.139，-0.4806，-0.6196]，[0,0,0.，…，0.1344，-0.45，-0.5844]，[0,0,0.，…，0.1293，-0.4209，-0.5502]，…，我直接从这样的数据帧中提取我的train_x和train_y，可以吗：`` train_x，train_y=training_df.drop（'target'，1）.value，training_df['target'].value train_x=train_x.astype（'float32'））“``不确定这是否会产生影响，但我数组中的每一行都是经过预处理的一组股票数据。因此，由于数据形状是2101x17，我有2101天的股票数据。请记住，我对这一点（以及Python）是全新的谢谢你的回答。所以我对这个问题是全新的，从一个类似的项目中复制了用于向网络添加层的代码。我正在传递的数据如下所示：数组（[0,0,0,0.，…，0.139，-0.4806，-0.6196]，[0,0,0.，…，0.1344，-0.45，-0.5844]，[0,0,0.，…，0.1293，-0.4209，-0.5502]，…，我可以直接从这样的数据帧中提取我的train_x和train_y吗：`` train_x，train_y=training_df.drop（'target'，1）.values，training_df['target'].values train_x=train_x.astype（'float32'）``不确定它是否有区别，但我数组中的每一行都是经过预处理的一组股票数据。因此，由于数据形状是2101x17，我有2101天的股票数据。请记住，我对这（和Python）是全新的我直接从这样的数据帧中提取我的train_x和train_y可以吗：`` train_x，train_y=training_df.drop（'target'，1'）。value，training_df['target']。values train_x=train_x.astype（'float32'）``我的数据后面是这样的：``数组`([[ 0. , 0. , 0. , ..., 0.1344 , -0.45 , -0.5844 ], [ 0. , 0. , 0. , ..., 0.1293 , -0.4209 , -0.5502 ], [ 0. , 0. , 0. , ..., 0.1238 , -0.3933 , -0.5171 ]，…，“``不确定这是否有区别，但我数组中的每一行都是经过预处理的一组股票数据。因此，由于数据形状是2101x17，我有2101天的股票数据。请记住，我对这一点（和Python）是全新的我直接从这样的数据帧中提取我的train_x和train_y可以吗：`` train_x，train_y=training_df.drop（'target'，1'）。value，training_df['target']。values train_x=train_x.astype（'float32'）``我的数据后面是这样的：``数组`([[ 0. , 0. , 0. , ..., 0.1344 , -0.45 , -0.5844 ], [ 0. , 0. , 0. , ..., 0.1293 , -0.4209 , -0.5502 ], [ 0. , 0. , 0. , ..., 0.1238 , -0.3933 , -0.5171 ]，…，“``不确定这是否有区别，但我数组中的每一行都是经过预处理的一组股票数据。因此，由于数据形状是2101x17，我有2101天的股票数据。请记住，我对这一点（和Python）是全新的