Python Keras序列：使用三个参数指定输入形状

我有一个具有以下设置的数据帧：

import numpy as np

X = np.random.rand(100, 20, 3)

这里有100个时间片、20个观测值和每个观测值的3个属性

我试图找出如何将上述数据传递到以下Keras序列：

from keras.models import Sequential, Model
from keras.layers import Dense, LSTM, Dropout, Activation
import keras

# config
stateful = False
look_back = 3
lstm_cells = 1024
dropout_rate = 0.5
n_features = int(X.shape[1]*3)
input_shape = (look_back, n_features, 3)
output_shape = n_features

def loss(y_true, y_pred):
  return keras.losses.mean_squared_error(y_true, y_pred)

model = Sequential()
model.add(LSTM(lstm_cells, stateful=stateful, return_sequences=True, input_shape=input_shape))
model.add(Dense(output_shape, activation='relu'))
model.compile(loss=loss, optimizer='sgd')

运行此命令将抛出：

ValueError:输入0与层lstm_23不兼容：应为 ndim=3，发现ndim=4

---

有人知道我如何重塑

X

以将其传递到模型中吗？任何建议都会有帮助

这似乎让事情进展顺利：

from keras.models import Sequential, Model
from keras.layers import Dense, LSTM, Dropout, Activation
import keras

# config
stateful = False
look_back = 3
lstm_cells = 1024
dropout_rate = 0.5
n_features = int(X.shape[1]) * 3
input_shape = (look_back, n_features)
output_shape = n_features

def loss(y_true, y_pred):
  return keras.losses.mean_squared_error(y_true, y_pred)

model = Sequential()
model.add(LSTM(lstm_cells, stateful=stateful, return_sequences=True, input_shape=input_shape))
model.add(LSTM(lstm_cells, stateful=stateful, return_sequences=True))
model.add(LSTM(lstm_cells, stateful=stateful))
model.add(Dense(output_shape, activation='relu'))
model.compile(loss=loss, optimizer='sgd')

然后可以按如下方式对训练数据进行分区：

# build training data
train_x = []
train_y = []
n_time = int(X.shape[0])
n_obs = int(X.shape[1])
n_attrs = int(X.shape[2])

# note we flatten the last dimension
for i in range(look_back, n_time-1, 1):
  train_x.append( X[i-look_back:i].reshape(look_back, n_obs * n_attrs ) )
  train_y.append( X[i+1].ravel() )

train_x = np.array(train_x)
train_y = np.array(train_y)

然后可以训练玩具模型：

model.fit(train_x, train_y, epochs=10, batch_size=10)

---

你能解释一下为什么需要三个类似的add（LSTM…）命令吗？@Helen当然——在这个例子中，我只是想从文件Chorrnn中重新实现一个神经网络，它有多层LSTM单元。一般来说，这些多层LSTM单元似乎有助于学习更长的数据序列……啊，那么，这些命令中的每一个都添加了一个额外的层吗？（我只是感到困惑，因为原来的代码只有一个这样的命令，所以我想知道这三个命令是不是都需要替换原来的单个命令，或者它们是否是附加的。）是的，每个LSTM（）调用都会添加一个新层。如果您像我一样陷入困境，请尝试读取

return\u sequences

参数，这对于控制通过网络传输的数据的形状非常重要。有关更多信息，请查看此链接：