Python 层lstm_9的输入0与层不兼容：预期ndim=3，发现ndim=4。收到完整形状：[无，2400256]

我尝试使用RNN网络创建模型，但收到：层lstm_9的输入0与层不兼容：预期ndim=3，发现ndim=4。收到完整形状：[None，2，4000，256]错误。

输入

train_data.shape() = (100,2,4000)

train_labels.shape() =(100,)

labels_values = 0 or 1 (two classes)

型号

input = Input(shape=(2,4000)) # shape from train_data
embedded = Embedding(2, 256)(input) 
lstm = LSTM(1024, return_sequences=True)(embedded) # ERROR
dense = Dense(2, activation='softmax')(lstm) 

---

不幸的是，您设计带有嵌入层的Keras功能模型的整个概念是错误的

当您使用嵌入层时，它需要二维数据

参考：

它为词汇表获取一系列ID或标记。这必须是一个整数数组

假设我们的词汇表有len36，我们给它传递一个范围为（0，36）的整数数组列表

[1,34,32,23]有效 [0.2,0.5]无效

通常，我们使用嵌入来表示缩减空间中的向量，因此输出维度低于输入维度，但基于设计，情况也可能相反

您需要为输入数据指定输入长度

如果使用

return\u sequences=True

则时间维度将传递到下一个维度，这在您的情况下是不需要的

标签的格式为（0，1，0，1，0，0，…），而不是一种热编码格式，因此不要使用softmax，而是在最后一个密度中使用1个单位的sigmoid

这是经过某种程度修正的网络

from tensorflow.keras.layers import *
from tensorflow.keras.models import *
import numpy as np
train_data = np.random.randint(0,3, (100, 4000))
y_labels = np.random.randint(0,2, (100,))

input_ = Input(shape=(4000)) # shape from train_data
embedded = Embedding(36, 256, input_length = 4000)(input_) 
lstm = LSTM(256, return_sequences=False)(embedded) # --> ERROR
dense = Dense(1, activation='softmax')(lstm) 

model = Model(input_, dense)
model.summary()

---

我有时间序列类型的数据，其中train_数据[0]是时间，train_数据[1]是振幅，两者都是x.x形式。我的任务是创建RNN模型。我完全同意布金纳：）在这种情况下怎么办？如果我理解我的数据格式不正确是的，它是。嵌入层不与浮动时间序列数据一起使用，我认为如果不进行巧妙的操作，就不会有确定的向量空间进行映射。那就去掉嵌入层吧。

from tensorflow.keras.layers import *
from tensorflow.keras.models import *
import numpy as np
train_data = np.random.randint(0,3, (100, 4000))
y_labels = np.random.randint(0,2, (100,))

input_ = Input(shape=(4000)) # shape from train_data
embedded = Embedding(36, 256, input_length = 4000)(input_) 
lstm = LSTM(256, return_sequences=False)(embedded) # --> ERROR
dense = Dense(1, activation='softmax')(lstm) 

model = Model(input_, dense)
model.summary()

Model: "model"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_6 (InputLayer)         [(None, 4000)]            0         
_________________________________________________________________
embedding_5 (Embedding)      (None, 4000, 256)         9216      
_________________________________________________________________
lstm_5 (LSTM)                (None, 256)               525312    
_________________________________________________________________
dense (Dense)                (None, 1)                 257       
=================================================================
Total params: 534,785
Trainable params: 534,785
Non-trainable params: 0