Python 具有多个输入序列和相应的多个输出序列的LSTM

我有一个与重塑LSTM的输入/输出数据有关的问题。虽然有很多帖子都在考虑这些问题，但我无法找到一个合适的解决方案。如果错误很明显，我深表歉意——我对深度学习领域相当陌生

我的问题如下：我执行了一个模拟，产生了几个与时间相关的数据序列，我想将这些数据输入LSTM网络。数据（非常简化）如下所示：

X=[[[8, 0, 18, 10]
    [9, 0, 20, 7]
    [7, 0, 17, 12]]
   [[7, 0, 31, 8]
    [5, 0, 22, 9]
    [7, 0, 17, 12]]]

也就是说，我有两个序列，每个序列有三个时间步，每个时间步有四个特征。因此，X的形状是（2,3,4）。相应地，我想预测如下

y=[[[10]
    [7]
   [12]]
   [[8]
    [9]
   [12]]]

并且具有形状（2,3,1）。也就是说，数据点[8,0,18,10]应该预测[10]，然后是点[9,0,20,7]，应该预测7，依此类推。然后，我的模型如下所示：

model.add(LSTM(input_shape=(X.shape[1], X.shape[2]), return_sequences=True))
model.add(Dense(50, activation='tanh'))
model.add(Dense(1, activation='tanh'))

虽然这似乎没有错误，但我的结果相当糟糕。最有可能的是，我认为这与正确重塑输出向量有关。此外，我不太确定返回序列是否必须为真。如果设置为False，我会得到错误消息“预期稠密_2有2维，但得到一个形状为（2,3,1）的数组”。对此不太确定。 我也在研究Seq2Seq建模，因为我试图根据一个序列预测一个序列，但我找不到解决办法。

---

有人能帮忙吗？

您可能正试图从一个只输出-1到1的

'tanh'

中获取大数字

例如，你不能用

tanh

达到10

要么将最终激活替换为

“线性”

（输出任何内容），要么将输出数据规格化为-1和1之间

---

如果您的数据总是正值，您可以尝试使用

'softplus'

而不是

'linear'

，如果您选择标准化数据，请将其设置为0到1之间，并使用

'sigmoid'

返回序列是正确的，但我相信使用密集层之后，您需要使用时间分布层（）谢谢！多年来，我一直试图解决这个问题——使用时间分布可以极大地改善结果。这没有多大意义。在较新的keras版本中，

Dense

=

TimeDistributed（Dense）

，而在较旧的keras版本中，您应该会得到一个错误。我使用的是keras版本2.1.6。可能这仍然算是一个旧版本，因为我没有得到任何errors@DanielMöller你能解释一下为什么这会产生错误吗？很抱歉造成混淆。我的模型的实际数据确实在-1和1之间进行了规范化。我刚刚用上面的原始数据来说明我的问题。