Python 在keras中使用动态输入形状

我正在处理一些数据，这些数据包含一些连续几天的功能，每个数据的数组形状如下所示：

（天数，1，功能数量）

每个数据中的要素数量不同。
我想分别将这些数据提供给我的lstm模型。所以我想以一种输入形状是动态的方式实现我的模型。

我使用了以下代码：

model=Sequential（）
add（LSTM（4，返回_序列=True，输入_形状=（1，无）））
model.add（LSTM（256，辍学=0.2，经常性辍学=0.2，返回序列=True））
model.add（LSTM（256，辍学=0.2，经常性辍学=0.2，返回序列=True））
model.add（LSTM（128，dropout=0.2，returnal\u dropout=0.2，return\u sequences=True））
型号.添加（LSTM（128））
model.add（密集型（1，激活='sigmoid'））
model.compile(
损失=‘均方误差’，
优化器=keras.optimizers.Adam（0.001）
)

第一层中的

None

表示功能的数量。但是，当我开始在（X\u-train和y\u-train）上拟合模型时，该层会出现此错误：

TypeError:不支持+：'NoneType'和'int'的操作数类型

我使用的是tensorflow版本“2.3.0-tf”

---

你能帮我修复这个错误吗？

在这种情况下，

pad\u sequences

函数将很有用

例如，

输入序列

具有不同数量的

功能

，如下所示：

sequences = [
    [1, 2, 3, 4],
       [1, 2, 3],
             [1]
    ]

padded = pad_sequences(sequences)

from tensorflow.keras.preprocessing.sequence import pad_sequences
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, LSTM
import tensorflow as tf
import numpy as np


# define sequences
sequences = [
    [1, 2, 3, 4],
       [1, 2, 3],
             [1]
    ]

# pad sequence
padded = pad_sequences(sequences)
print(padded)
X = np.expand_dims(padded, axis = 0)
print(X.shape) # (1, 3, 4)

y = np.array([1,0,1])
y = y.reshape(1,-1)
print(y.shape) # (1, 3)

model = Sequential()
model.add(LSTM(4, return_sequences=False, input_shape=(None, X.shape[2])))
model.add(Dense(1, activation='sigmoid'))

model.compile (
    loss='mean_squared_error',
    optimizer=tf.keras.optimizers.Adam(0.001))

model.fit(x = X, y = y)

我们可以使用

pad_序列

使所有

功能

长度相等，如下所示：

sequences = [
    [1, 2, 3, 4],
       [1, 2, 3],
             [1]
    ]

padded = pad_sequences(sequences)

from tensorflow.keras.preprocessing.sequence import pad_sequences
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, LSTM
import tensorflow as tf
import numpy as np


# define sequences
sequences = [
    [1, 2, 3, 4],
       [1, 2, 3],
             [1]
    ]

# pad sequence
padded = pad_sequences(sequences)
print(padded)
X = np.expand_dims(padded, axis = 0)
print(X.shape) # (1, 3, 4)

y = np.array([1,0,1])
y = y.reshape(1,-1)
print(y.shape) # (1, 3)

model = Sequential()
model.add(LSTM(4, return_sequences=False, input_shape=(None, X.shape[2])))
model.add(Dense(1, activation='sigmoid'))

model.compile (
    loss='mean_squared_error',
    optimizer=tf.keras.optimizers.Adam(0.001))

model.fit(x = X, y = y)

这将使

输入序列

：

[[1 2 3 4]
 [0 1 2 3]
 [0 0 0 1]]

也就是说，它将用

零

填充其他

特征

，并将所有样本的

特征

数量设为4（其中最大）

通过调整参数“Padding”（填充），可以在

开始处或
结束处用
零填充
。有关此功能的更多详细信息，请参阅此

具有可变功能数量的完整工作代码如下所示：

sequences = [
    [1, 2, 3, 4],
       [1, 2, 3],
             [1]
    ]

padded = pad_sequences(sequences)

from tensorflow.keras.preprocessing.sequence import pad_sequences
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, LSTM
import tensorflow as tf
import numpy as np


# define sequences
sequences = [
    [1, 2, 3, 4],
       [1, 2, 3],
             [1]
    ]

# pad sequence
padded = pad_sequences(sequences)
print(padded)
X = np.expand_dims(padded, axis = 0)
print(X.shape) # (1, 3, 4)

y = np.array([1,0,1])
y = y.reshape(1,-1)
print(y.shape) # (1, 3)

model = Sequential()
model.add(LSTM(4, return_sequences=False, input_shape=(None, X.shape[2])))
model.add(Dense(1, activation='sigmoid'))

model.compile (
    loss='mean_squared_error',
    optimizer=tf.keras.optimizers.Adam(0.001))

model.fit(x = X, y = y)

上述代码的输出为：

[[1 2 3 4]
 [0 1 2 3]
 [0 0 0 1]]

(1, 3, 4)

(1, 3)

1/1 [==============================] - 0s 1ms/step - loss: 0.2601

希望这有帮助。学习愉快
 谢谢你的帮助，但我有个问题。当我们用零填充数组时，这个零不会影响模型的结果吗？在这种情况下，您可以使用
掩蔽
。有关更多详细信息，请参阅链接。