Python 如何为时间序列的RNN双向层定义输入_形状

我试图为时间序列预测构建一个RNN，但我似乎不知道如何为双向层指定输入形状（输入形状需要是输入形状（win_sz，3））。任何帮助都将不胜感激。：）

我使用的是Keras 2.x版

我的代码：

   model = tf.keras.models.Sequential([
          tf.keras.layers.Bidirectional(
          tf.keras.layers.LSTM(32, activation = 'sigmoid', return_sequences=False, input_shape=(None))),
          tf.keras.layers.Dense(1, activation='linear')])

    lr_schedule = tf.keras.callbacks.LearningRateScheduler(lambda epoch: 1e-8 * 10**(epoch/20))

    sgd = tf.keras.optimizers.SGD(lr=1e-8, momentum=.91, clipvalue=0.5)
    model.compile(loss=tf.keras.losses.mean_squared_error,
             optimizer=sgd,
             metrics=['mse'])

---

好的，我认为你们应该多读一点关于时间序列输入在Keras中的样子。但为了帮助您，让我演示如何在玩具示例中使用您的模型

但在直接进入示例之前，让我解释一下时间序列输入是什么

时间序列输入 时间序列输入（通常）是具有以下维度的3D输入

• 批次维度-批次中的样本数
• 时间维度-表示数据的时间方面（例如天数）
• Input dimension—单个输入和单个时间步中的特征数

因此，输入是一个大小为

（批量大小、时间步长、输入大小）

的张量。现在让我们来看一个例子

import tensorflow as tf
import numpy as np

b_size = 5
timesteps = 30
in_size = 10

因此，使用这些值，我可以创建一个虚拟输入（5，30，10）和一个虚拟输出（5，1）

定义输入形状 因此，在定义输入形状时，只需定义时间维度和输入维度。您可以省略批次维度，因为这将由Keras处理。因此，您的

输入\u shape=（30,10）

现在你可以用上面的玩具数据来尝试这个模型

model.fit(dummy_in, dummy_out)

---

如果你把这个形状放进去会怎么样？非常感谢，这很有帮助。然而，我一直遇到同样的问题。当我使用数据“forecast=model.predict（x_valid）”时，我不断得到以下错误：ValueError：检查输入时出错：预期双向_输入有3个维度，但得到了具有形状的数组（526，3）。同样，您没有提供3D输入。输入x_valid需要是（批量大小、时间步长、输入大小）张量。

model = tf.keras.models.Sequential([
          tf.keras.layers.Bidirectional(
          tf.keras.layers.LSTM(32, activation = 'sigmoid', return_sequences=False, input_shape=(timesteps, in_size))),
          tf.keras.layers.Dense(1, activation='linear')])

lr_schedule = tf.keras.callbacks.LearningRateScheduler(lambda epoch: 1e-8 * 10**(epoch/20))

sgd = tf.keras.optimizers.SGD(lr=1e-8, momentum=.91, clipvalue=0.5)
model.compile(loss=tf.keras.losses.mean_squared_error,
          optimizer=sgd,
          metrics=['mse'])

model.fit(dummy_in, dummy_out)