Python 多元时间序列的LSTM输入形状？

我知道这个问题被问了很多次，但我真的不能为我的案例解决这个输入形状问题

我的x_列车形状==（5523000,13）/（长度为5523000的13个时间序列）

我的y_火车形状==（5523000，1）

类别数==2

要重塑x_序列和y_序列，请执行以下操作：

x_train= x_train.values.reshape(27615,200,13)  # 5523000/200 = 27615
y_train= y_train.values.reshape((5523000,1))   # I know I have a problem here but I dont know how to fix it

这是我的lstm网络：

def lstm_baseline(x_train, y_train):
    batch_size=200
    model = Sequential()
    model.add(LSTM(batch_size, input_shape=(27615,200,13),
                   activation='relu', return_sequences=True))
    model.add(Dropout(0.2))

    model.add(LSTM(128, activation='relu'))
    model.add(Dropout(0.1))

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

    model.add(Dense(1, activation='softmax'))

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

    model.fit(x_train,y_train, epochs= 15)

    return model

无论何时运行代码，都会出现以下错误：

ValueError:输入0与层lstm_10不兼容：应为 ndim=3，发现ndim=4

我的问题是我在这里遗漏了什么

PS：这个项目的想法是，我有13个信号来自人体的13个点，我想用它们来检测某种类型的疾病（唤醒）。通过使用LSTM，我希望我的模型能够根据这13个信号来定位我的觉醒区域

整个数据是993名患者，每个患者我使用13个信号来检测疾病区域

如果要我将数据放入三维尺寸：

（500000,13993）

#（nb#U记录，nb#U信号，nb#U患者）

对于每个患者，我对13个信号进行了500000次观察。 NBU患者是993

值得注意的是，50万的尺寸并不重要！因为我可以让患者进行更多或更少的观察

更新：以下是一名患者的样本数据

---

这里是

您可以尝试下面这样的修改：

x_train = x_train.reshape(1999, 1, 13)
# double-check dimensions
x_train.shape

def lstm_baseline(x_train, y_train, batch_size):
    model = Sequential()
    model.add(LSTM(batch_size, input_shape=(None, 13),
                   activation='relu', return_sequences=True))
    model.add(Dropout(0.2))

    model.add(LSTM(128, activation='relu'))
    model.add(Dropout(0.1))

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

    model.add(Dense(1, activation='softmax'))

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

    return model    

---

好的，我对你的代码做了一些修改。首先，我现在仍然不知道你试图重塑数据时的“200”意味着什么，所以我将给你一个工作代码，让我们看看你是否可以使用它，或者你是否可以修改它使你的代码工作。输入数据和目标的大小必须匹配。不能有一个包含27615行的输入x_列（这是x_列[0]=27615的意思）和一个包含5523000个值的目标集y_列

我从您为本例提供的数据示例中选取了前两行：

x_sample = [[-17,  -7, -7,  0, -5, -18, 73, 9, -282, 28550, 67],
            [-21, -16, -7, -6, -8,  15, 60, 6, -239, 28550, 94]]

y_sample = [0, 0]

让我们重塑x_样本的形状：

x_train = np.array(example)

#Here x_train.shape = (2,11), we want to reshape it to (2,11,1) to
#fit the network's input dimension
x_train = x_train.reshape(x_train.shape[0], x_train.shape[1], 1)

您使用的是分类损失，因此您必须将目标更改为分类损失（chek）

现在您有两个类别，我假设两个类别，如您提供的数据中的所有目标值为0，因此我不知道您的目标可以接受多少可能的值。如果您的目标可以接受4个可能的值，则to_分类函数中的类别数将为4。最后一个密集层的每个输出将代表一个类别和该输出的值，以及您的输入属于该类别的概率

现在，我们只需稍微修改一下您的LSTM模型：

def lstm_baseline(x_train, y_train):
   batch_size = 200
   model = Sequential()
   #We are gonna change input shape for input_dim
   model.add(LSTM(batch_size, input_dim=1,
                  activation='relu', return_sequences=True))
   model.add(Dropout(0.2))

   model.add(LSTM(128, activation='relu'))
   model.add(Dropout(0.1))

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

   #We are gonna set the number of outputs to 2, to match with the
   #number of categories
   model.add(Dense(2, activation='softmax'))

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

   model.fit(x_train, y_train, epochs=15)

return model

---

您的输入数据到底是什么？为什么要像这样重塑数据

x\u train=x\u train.values.reformate（27615200,13）

。请提供更多的上下文，理想情况下，提供一些x_-train和y_-train示例（仅2或3个）。

def lstm_baseline(x_train, y_train):
   batch_size = 200
   model = Sequential()
   #We are gonna change input shape for input_dim
   model.add(LSTM(batch_size, input_dim=1,
                  activation='relu', return_sequences=True))
   model.add(Dropout(0.2))

   model.add(LSTM(128, activation='relu'))
   model.add(Dropout(0.1))

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

   #We are gonna set the number of outputs to 2, to match with the
   #number of categories
   model.add(Dense(2, activation='softmax'))

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

   model.fit(x_train, y_train, epochs=15)

return model