Python ValueError：检查输入时出错：预期lstm_11_输入具有形状（1，1），但获得具有形状（13841）的数组

我尝试了各种方法来重塑LTSM神经网络的数据，但我仍然得到以下错误：

ValueError: Error when checking input: expected lstm_29_input to have shape (1, 1) but got array with shape (1, 3841)

我的原始x_列车数据的形状如下：

array([[-1.86994147, -2.28655553, -2.13504696, ...,  2.38827443,
         1.29554594, 46.        ],
       [-1.99436975, -2.41145158, -1.93463695, ...,  2.57659554,
         1.27274537, 68.        ],
       [-2.19207883, -2.24740434, -1.73407733, ...,  2.66955543,
         1.80862379, 50.        ]

x_列车形状：（11253841）

x\u有效形状：（3753841）

y\u列车形状：（1125，）

因此，为了正确编译模型，我对我的x_序列和x_有效数据（用于预测）进行了重塑。我已经看了很多有类似错误的例子，他们对其进行了重塑，如下图所示，他们通常会让他们的模型工作，但在我的例子中，我不确定到底发生了什么

# reshape input to be [samples, time steps, features]
trainX = np.reshape(x_train, (x_train.shape[0], 1, x_train.shape[1]))
validX = np.reshape(x_valid, (x_valid.shape[0], 1, x_valid.shape[1]))

模型构造 呼叫与训练模式

---

使用以下行更改

trainX

的形状时

trainX=np.重塑（x_-train，（x_-train.shape[0]，1，x_-train.shape[1]））

它变成

112513841

现在，当你写下下面一行

model.add（LSTM（单位=50，返回序列=True，输入形状=（1，trainX.shape[1]））

模型期望

input\u shape

为

（批量大小，1,1）

你应该写信的

model.add（LSTM（单位=50，返回序列=True，输入形状=（1，trainX.shape[2]））

现在，模型预计

input\u shape

为

（批量大小，13841）

，与新的

tranX

相对应

---

另一方面，由于序列长度/回溯/滞后时间为

1

，输入特征为

3841

，使用LSTM实际上没有意义，因为LSTM旨在提取时间特征，而这里没有时间/历史数据。在将输入重塑为

（批次大小，3148，1）

之前，

Conv1D

层可能更具相关性。这只是一个建议。

感谢您的澄清。我对一个后续问题很好奇。我仍然是深入学习领域的新手，在尝试将特定神经网络用于特定回归案例时，我仍然试图理解。我在问题中加入的功能是否有效？我用我想用的CNN模型更新了这个问题。

def cnn_model():
    
    """"
    Creates the model of the CNN.

    :param nr_measures: the number of output nodes needed
    :return: the model of the CNN
    """
    # Initializing the ANN
    model = Sequential()

    # Adding the input layer and the first hidden layer
    model.add(Conv1D(64, 2, activation="relu", input_shape=(x_train.shape[1], 1)))
    model.add(Flatten())
    model.add(BatchNormalization())

    # Adding the second hidden layer
    model.add(Dense(128, activation="relu"))
    model.add(BatchNormalization())

    # Adding the output layer
    model.add(Dense(1, activation = "softplus"))
    model.compile(loss="mse", optimizer="adam", metrics = ['mse'])

    return model

#Call Model
cnn_model= cnn_model(trainX)

#Train Model
history = cnn_model.fit(trainX, y_train, batch_size = 50, epochs = 150, verbose = 0 ,validation_data = (validX, y_valid))