Python 如何准备keras中LSTM回归的输入数据？

我有一个数据集，有5K行（-1K用于验证）和17列，包括最后一列（目标整数二进制标签）

我的模型就是这个2层LSTM：

model = Sequential()
model.add(Embedding(output_dim=64, input_dim=17))
model.add(LSTM(32, return_sequences=True))
model.add(Dropout(0.5))
model.add(LSTM(32, return_sequences=False))
model.add(Dense(1))

model.compile(loss='binary_crossentropy', optimizer='rmsprop',
              class_mode='binary')

在用pandas加载我的数据集之后

df_train = pd.read_csv(train_file)
train_X, train_y = df_train.values[:, :-1], df_train['target'].values

尝试运行我的模型时，出现以下错误：

异常：使用TensorFlow时，应明确定义序列的时间步数。-如果第一层是嵌入层，请确保向其传递“input_length”参数。否则，请确保第一层具有“input_shape”或“batch_input_shape”参数，包括时间轴

我应该在

输入长度中输入什么？总行数是多少

既然我的数据帧的形状是train_X=（4000，17）train_y=（4000，），我如何准备它来提供这种模型？我必须更改输入数据的形状吗

谢谢你的帮助！！（=
看起来Keras使用静态展开方法来构建循环网络（如LSTM）在TensorFlow上。输入长度应该是您要训练的最长序列的长度：因此，如果CSV文件的每一行都是逗号分隔的符号序列，那么它应该是最长行中的符号数。
看起来Keras使用静态展开方法来构建循环n网络（如LSTM）关于TySoFrase.<代码>输入长度> /COD>应该是您要训练的最长序列的长度：因此，如果您的CSV文件的每一行<代码> TrasyFrase<代码>是一个逗号分隔的符号序列，它应该是最长行中的符号个数。
…所以，因为CSV文件上的每个字段都是整数，所以我可以考虑T的长度。文件中最大的数字？（如果数据文件中较大的数字为
00979797
，则
输入长度将为
8
）是吗？谢谢！不，应该是最长行中的字段数。如果这对所有行都是相同的，那么它应该是字段的数目。所以…因为CSV文件上的每个字段都是整数，我可以考虑文件中最大数量的长度吗？（如果数据文件中的较大数字为
00979797
，则
输入长度将为
8
）？是否正确？谢谢！不，它应该是最长行中的字段数。如果所有行的字段数相同，则它应该只是字段数。