Python 如何理解密集层单元作为预测数据的维度？

我处理的数据集包含两个特征x，y坐标的时间序列数据。我感兴趣的是从以前的坐标预测未来的x，y（如果可能的话，作为元组）。我对深度学习相当陌生，我正在密切关注这篇关于Kaggle的文章

谷歌搜索给我的答案是，LSTM层中的

input\u shape

需要一个3D元组（

batch\u size，time\u steps，feature

）。基于这些知识，我深入研究了二维数据（x，y）：

因为它是3D元组，所以我没有重塑它，而是继续

## model begins here 
regressor = Sequential()

regressor.add(LSTM(units=50, return_sequences=True, input_shape=(X_train.shape[1:])) 
regressor.add(Dropout(0.2))

regressor.add(LSTM(units=50, return_sequences=True))
regressor.add(Dropout(0.2))

regressor.add(LSTM(units=50, return_sequences=True))
regressor.add(Dropout(0.2))

regressor.add(LSTM(units=50))
regressor.add(Dropout(0.2))

regressor.add(Dense(units=2)) ## i am predicting future x,y 

---

我的代码运行正常，我对输出有点不确定。我预测的真的是未来的x，y吗？因为如果我给出

units=3

，我得到3D输出，

units=1

，我得到1D输出。这到底意味着什么？当我给出

units=n

时，我想我是在强迫我的网络收敛到

n

输出。如果我的问题不清楚，请告诉我

通常，定义模型类型后，需要使用

model.fit

方法将其与数据相匹配

model.fit(X_train, y_train)

输出的大小由

y_train

的形状定义，即用于训练的标签向量的大小

要预测y，你应该做如下的事情

y_prob = model.predict(X_test) 

---

希望这能回答您的问题

通常，在定义模型类型后，您需要使用

model.fit

方法将其与数据相匹配

model.fit(X_train, y_train)

输出的大小由

y_train

的形状定义，即用于训练的标签向量的大小

要预测y，你应该做如下的事情

y_prob = model.predict(X_test) 

希望这能回答你的问题