Python 检查模型输入时出错：预期lstm_1_输入有3个维度，但得到了具有形状的数组（339732，29）

我的输入只是一个csv文件，包含339732行和两列：

• 第一个是29个特征值，即X
• 第二个是二进制标签值，即Y

我试图在堆叠的LSTM模型上训练我的数据：

data_dim = 29
timesteps = 8
num_classes = 2

model = Sequential()
model.add(LSTM(30, return_sequences=True,
               input_shape=(timesteps, data_dim)))  # returns a sequence of vectors of dimension 30
model.add(LSTM(30, return_sequences=True))  # returns a sequence of vectors of dimension 30
model.add(LSTM(30))  # return a single vector of dimension 30
model.add(Dense(1, activation='softmax'))

model.compile(loss='binary_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])

model.summary()
model.fit(X_train, y_train, batch_size = 400, epochs = 20, verbose = 1)

这将抛出错误：

回溯（最近一次呼叫最后一次）： 文件“first_approach.py”，第80行，在 模型拟合（X列，y列，批量大小=400，历次=20，详细=1）

ValueError：检查模型输入时出错：预期的lstm_1_输入为 有3个维度，但得到了具有形状的数组（339732,29）

我尝试使用

X_train.重塑（（1339732，29））

来重塑输入，但无法显示错误：

ValueError：检查模型输入时出错：预期的lstm_1_输入为 具有形状（无，8，29），但获得具有形状（1339732，29）的数组

---

如何将输入输入输入到LSTM？

设置

timesteps=1

（因为，我希望每个实例都有一个timestep），并将X\u序列和X\u测试重塑为：

import numpy as np
X_train = np.reshape(X_train, (X_train.shape[0], 1, X_train.shape[1]))
X_test = np.reshape(X_test, (X_test.shape[0], 1, X_test.shape[1]))

---

这成功了

用于

时间步！=1

，您可以使用以下功能（改编自）

例子

X = np.reshape(range(30),(3,10)).transpose()
array([[ 0, 10, 20],
       [ 1, 11, 21],
       [ 2, 12, 22],
       [ 3, 13, 23],
       [ 4, 14, 24],
       [ 5, 15, 25],
       [ 6, 16, 26],
       [ 7, 17, 27],
       [ 8, 18, 28],
       [ 9, 19, 29]])

create_dataset(X, look_back=1 )
(array([[[ 0, 10, 20]],
       [[ 1, 11, 21]],
       [[ 2, 12, 22]],
       [[ 3, 13, 23]],
       [[ 4, 14, 24]],
       [[ 5, 15, 25]],
       [[ 6, 16, 26]],
       [[ 7, 17, 27]],
       [[ 8, 18, 28]],
       [[ 9, 19, 29]]]),
array([[ 0, 10, 20],
       [ 1, 11, 21],
       [ 2, 12, 22],
       [ 3, 13, 23],
       [ 4, 14, 24],
       [ 5, 15, 25],
       [ 6, 16, 26],
       [ 7, 17, 27],
       [ 8, 18, 28],
       [ 9, 19, 29]]))

create_dataset(X, look_back=3)
(array([[[ 0, 10, 20],
        [ 1, 11, 21],
        [ 2, 12, 22]],
       [[ 1, 11, 21],
        [ 2, 12, 22],
        [ 3, 13, 23]],
       [[ 2, 12, 22],
        [ 3, 13, 23],
        [ 4, 14, 24]],
       [[ 3, 13, 23],
        [ 4, 14, 24],
        [ 5, 15, 25]],
       [[ 4, 14, 24],
        [ 5, 15, 25],
        [ 6, 16, 26]],
       [[ 5, 15, 25],
        [ 6, 16, 26],
        [ 7, 17, 27]],
       [[ 6, 16, 26],
        [ 7, 17, 27],
        [ 8, 18, 28]],
       [[ 7, 17, 27],
        [ 8, 18, 28],
        [ 9, 19, 29]]]),
array([[ 2, 12, 22],
       [ 3, 13, 23],
       [ 4, 14, 24],
       [ 5, 15, 25],
       [ 6, 16, 26],
       [ 7, 17, 27],
       [ 8, 18, 28],
       [ 9, 19, 29]]))

---

重塑LSTM的输入：

X = array([[10, 20, 30], [40, 50, 60], [70, 80, 90]])
X_train = X.reshape(1, 3, 3) # X.reshape(samples, timesteps, features)

---

为什么要使用没有时间步长的LSTM模型？当我将从

create\u dataset（）

返回的对象传递到

model.fit（）

AttributeError:“tuple”对象没有属性“shape”

create\u dataset返回一个

x，y

的元组时，会出现此错误。尝试

x\u-train，y\u-train=create\u-dataset（dataset）

然后

model.fit（x\u-train，y\u-train）

我有一个输入训练集，它是一个np.array，有100行50列。其中一些列包含浮点值，一些包含使用

keras.utils.to_category（）

构建的“热编码”，这些基本上只是数组。我不知道如何使用

x\u-train

和

y\u-train

。我的训练标签在一个单独的数组中，输入模型只包含训练数据（第一次输入到model.fit（）），在这种情况下，只需忽略此函数中的

y\u train

，并使用已在单独数组中的数据。另外，model.fit会从这个函数中接受

x_训练

，而您自己的target仍然不工作，我已经在一个类似我的问题上打开了一个悬赏：基本上是在一个连续层中处理一个包含数组和数值的训练集

X = array([[10, 20, 30], [40, 50, 60], [70, 80, 90]])
X_train = X.reshape(1, 3, 3) # X.reshape(samples, timesteps, features)