Python R：时间序列异常检测深度学习模型拟合误差

我找到了DeepAnT的一个例子（一种用于时间序列中无监督异常检测的深度学习方法），并想尝试一下

因此，我尝试将Python脚本（）转换为R，但由于在拟合模型时出错而陷入困境

代码：

在Python中，批处理示例如下所示：

[[0.8737364 ]
 [0.90255357]
 [0.92780878]
 ...
 [0.7671179 ]
 [0.80588467]
 [0.84147098]]

[[0.84147098 0.8737364  0.90255357 ... 0.72532366 0.7671179  0.80588467]
 [0.8737364  0.90255357 0.92780878 ... 0.7671179  0.80588467 0.84147098]
 [0.90255357 0.92780878 0.94940235 ... 0.80588467 0.84147098 0.8737364 ]
 ...
 [0.80588467 0.84147098 0.8737364  ... 0.68066691 0.72532366 0.7671179 ]
 [0.84147098 0.8737364  0.90255357 ... 0.72532366 0.7671179  0.80588467]
 [0.8737364  0.90255357 0.92780878 ... 0.7671179  0.80588467 0.84147098]]

batch\u标签如下所示：

[[0.8737364 ]
 [0.90255357]
 [0.92780878]
 ...
 [0.7671179 ]
 [0.80588467]
 [0.84147098]]

[[0.84147098 0.8737364  0.90255357 ... 0.72532366 0.7671179  0.80588467]
 [0.8737364  0.90255357 0.92780878 ... 0.7671179  0.80588467 0.84147098]
 [0.90255357 0.92780878 0.94940235 ... 0.80588467 0.84147098 0.8737364 ]
 ...
 [0.80588467 0.84147098 0.8737364  ... 0.68066691 0.72532366 0.7671179 ]
 [0.84147098 0.8737364  0.90255357 ... 0.72532366 0.7671179  0.80588467]
 [0.8737364  0.90255357 0.92780878 ... 0.7671179  0.80588467 0.84147098]]

因此，我需要为拟合过程重塑数据，但我尝试的一切都不起作用。尝试了列表列表（类似于Python中的列表）、矩阵和向量列表，但每次都会出现维度错误。
我需要如何塑造数据，使其符合拟合功能的要求？
您的输入形状不正确。模型需要3个dims的形状输入：（n_样本、窗口大小、n_特征）。

在您的代码中，n_features等于1，因此您需要做的只是将当前输入形状重塑为模型期望的形状（基于输入配置），以便：
（27012001）->（27012001）

为了做到这一点，您可以使用如下函数

展开尺寸（x，-1）
您能否详细说明用于拟合模型的最终数据应该具有哪些尺寸和特性？批次样本和批次标签中的列表具有不同的长度（分别为2001和301）。我想你需要为你的代码设置一个正确的张量。请参见此处的示例：