Python Keras LSTM：检查模型输入尺寸时出错

我是keras的新用户，正在尝试实现LSTM模型。对于测试，我声明了如下所示的模型，但由于输入维度的不同，它失败了。虽然我在这个网站上发现了类似的问题，但我自己却找不到自己的错误

ValueError: 
Error when checking model input: 
expected lstm_input_4 to have 3 dimensions, but got array with shape (300, 100)

我的环境

• python 3.5.2
• keras 1.2.0（Theano）

代码 编辑1（不起作用，在Marcin Możejko的评论之后） 谢谢Marcin Możejko。但我有一个类似的错误，如下所示。我更新了虚拟数据以供检查。这个代码有什么问题

ValueError:检查模型目标时出错：应为 时间分布_36为3维，但得到形状为的数组 （208，1）

---

这是

Keras

中的

LSTM

的典型问题

LSTM

输入形状应为

2d

-带有形状

（序列长度，特征的nb）

。额外的第三维度来自示例维度-因此馈送到模型的表格具有形状

（示例的nb\u，序列的nb\u长度，特征的nb\u）

。这就是你的问题所在。请记住，

1-d

序列应表示为具有形状

（序列长度，1）

的

2-d

数组。这应该是

LSTM

的输入形状：

model.add(LSTM(nb_hidden, 
           name='lstm',
           activation='tanh',
           return_sequences=True,
           input_shape=(in_size, 1)))

---

请记住将您的输入重塑为适当的格式。

请提供导入。@j0e1对不起，我添加了完整导入。我完全误解了LSTM。输入必须是[样本、时间步、特征]。我将在重新实现后上传我的代码。哈-我刚刚给出了相同的答案：）谢谢你的评论。但我有一个类似的错误，如下所示。我更新了我的代码。你能再检查一下我的代码吗？看来你的目标有问题。它是什么形状的？这是。打印（trainX.shape，trainY.shape）#（208,1,1）（208,1）。我想seq_length==1，num_of_features==1，这是有问题的。为简单起见，为什么要对长度为

1

的序列使用

LSTM

。我的实际数据集假设人机对话数据，实际序列长度大于1。但我认为seq_length==1不是这个错误的原因。。

def create_dataset(X, Y, loop_back=1):
    dataX, dataY = [], []
    for i in range(len(X) - loop_back-1):
        a = X[i:(i+loop_back), :]
        dataX.append(a)
        dataY.append(Y[i+loop_back, :])
    return np.array(dataX), np.array(dataY)

data_size = 300
dataset = np.zeros((data_size, feature_size), dtype=np.float32)
dataset_labels = np.zeros((data_size, 1), dtype=np.float32)

train_size = int(data_size * 0.7)
trainX = dataset[0:train_size, :]
trainY = dataset_labels[0:train_size, :]
testX = dataset[train_size:, :]
testY = dataset_labels[train_size:, 0]
trainX, trainY = create_dataset(trainX, trainY)
print(trainX.shape, trainY.shape) # (208, 1, 1) (208, 1)

# in_size = 100
feature_size = 1
out_size = 1
nb_hidden = 8

model = Sequential()
model.add(LSTM(nb_hidden, 
               name='lstm',
               activation='tanh',
               return_sequences=True,
               input_shape=(1, feature_size)))

model.add(TimeDistributed(Dense(out_size, activation='softmax')))
adadelta = Adadelta(clipnorm=1.)
model.compile(optimizer=adadelta,
              loss='categorical_crossentropy',
              metrics=['accuracy'])
model.fit(trainX, trainY, nb_epoch=10, batch_size=1)

model.add(LSTM(nb_hidden, 
           name='lstm',
           activation='tanh',
           return_sequences=True,
           input_shape=(in_size, 1)))