Python 输入形状Keras RNN

我使用的是一个时间序列数据，其形状为2000x1001，其中2000是案例数，1000行代表时域数据，1秒期间X方向的位移，这意味着时间步长为0.001。最后一列表示速度，我需要根据1秒内的位移预测的输出值。在Keras中，应如何为RNN塑造输入数据？我已经阅读了一些教程，但仍然对RNN中的输入形状感兴趣。提前谢谢

#加载数据训练数据
dataset=loadtxt（“Data.csv”，delimiter=“，”）
x=数据集[：，：1000]
y=数据集[：，1000]
#以80:20的比例创建训练和测试数据集
x_系列，x_测试，y_系列，y_测试=系列测试分割（x，y，测试尺寸=0.2）
#输入缩放
scaler=StandardScaler（）
x_列\u s=缩放器。拟合变换（x_列）
x_-test_-s=缩放器转换（x_-test）
num samples=x\u train_s.shape[0]#样本数
num_vals=x_train_s.shape[1]#每个样本中的元素数量
x_序列=np.重塑（x_序列，（样本数，数值，1））
#创建模型
模型=顺序（）
model.add（LSTM（100，input_shape=（num_vals，1）））
model.add（密集（1，activation='relu'））
compile（loss='mae'，optimizer='adam'，metrics='mape']
model.summary（）
#训练
历史=模型.fit（x\u序列，y\u序列，历代=10，详细=1，批量大小=64）

如中所述，Keras希望RNN具有以下形状：

(batch_size, timesteps, input_dim)

• batch_size

  是在backprop之前输入的样本数

• timesteps

  是每个样本的时间步数

• input\u dim

  是每个时间步的功能数量

编辑更多详细信息：

就你的情况而言，你应该选择

batch_input_shape = (batch_size, timesteps, 1)

根据需要选择

batch\u size

和

timesteps

时间步长如何？

假设您从2000个样本中选取一个，假设您的样本有10个元素而不是1000个，例如：

[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

然后，如果我们选择了

timesteps=3

，则会得到一批长度为8:

[[[0], [1], [2]],
 [[1], [2], [3]],
 [[2], [3], [4]],
 [[3], [4], [5]],
 [[4], [5], [6]],
 [[5], [6], [7]],
 [[6], [7], [8]],
 [[7], [8], [9]]]

请看以下代码： 它试图根据之前的6个值预测接下来的4个值。 按照注释进行操作，看看如何使用非常简单的输入 作为rnn/lstm中的输入

遵循代码中的注释

from __future__ import absolute_import, division, print_function, unicode_literals
import tensorflow as tf
from tensorflow.keras import Model
import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.layers import RNN, LSTM

"""
creating a toy dataset
lets use this below ```input_sequence``` as the sequence to make data points.
as per the question, we will use 6 points to predict next 4 points
"""
input_sequence = [1,2,3,4,5,6,7,8,9,10,1,2,3,4,5,6,7,8,9,10,1,2,3,4,5,6,7,8,9,10]

X_train = []
y_train = []


**#first 6 points will be our input data points and next 4 points will be data label.
#so on we will shift by 1 and make such data points and label pairs**


for i in range(len(input_sequence)-9):
    X_train.append(input_sequence[i:i+6])
    y_train.append(input_sequence[i+6:i+10])

X_train = np.array(X_train, dtype=np.float32)
y_train = np.array(y_train, dtype=np.int32)))


**#X_test for the predictions (contains 6 points)**


X_test = np.array([[8,9,10,1,2,3]],dtype=np.float32)
print(X_train.shape)
print(y_train.shape)
print(X_test.shape)


**#we will be using basic LSTM, which accepts input in ```[num_inputs, time_steps, data_points], therefore reshaping as per that```** 
# so here:
# 1. num_inputs = how many sequence of 6 points you want to use i.e. rows (we use X_train.shape[0] )

# 2. time_steps = batches you can considered i.e. if you want to use 1 or 2 or 3 rows

# 3. data_points = number of points (for ex. in our case its 6 points we are using)

X_train = np.reshape(X_train, (X_train.shape[0], 1, X_train.shape[1]))
X_test = np.reshape(X_test, (X_test.shape[0], 1, X_test.shape[1]))
print(X_train.shape)
print(y_train.shape)
print(X_test.shape)

x_points = X_train.shape[-1]
print("one input contains {} points".format(x_points))

model = Sequential()
model.add(LSTM(4, input_shape=(1, x_points)))
model.add(Dense(4))
model.compile(loss='mean_squared_error', optimizer='adam')
model.summary()

model.fit(X_train, y_train, epochs=500, batch_size=5, verbose=2)
output = list(map(np.ceil, model.predict(X_test)))
print(output)

---

希望能有帮助。请询问任何疑问。

这是否意味着在我的情况下输入的形状为（20001000,1）？嗨，安德鲁，我已经添加了一个答案，请阅读，这肯定有助于理解参数。您好，我在描述中提供了我的脚本。看来我的问题还不够清楚。我有一个数据集，它有2000个样本，1000个时域位移和相应的速度，位于第1001列。我的任务是根据位移预测速度。我的问题是设置RNN所需的输入形状。而不是

x\u train\u s=np.重塑（x\u train\u s，（num\u samples，num\u vals，1））

在代码中，将其重写为：

x\u train\u s=np.重塑（x\u train\u s，（num\u samples，1，num\u vals））

。因为格式应该是（num_samples、timestep、num_vals）。请再试一次。你试过上面的方法吗？它有效，我也更改了

模型。添加（LSTM（100，输入形状=（num\u vals，1）））

到

模型。添加（LSTM（100，输入形状=（num\u vals，1））

，但仍然不清楚。您提到的格式是（num_samples，timestep，num_vals），在我的例子中num_samples=2000，num_vals是一个timestep，等于1000，最后特征数是1，它指的是我试图预测的Y。那么，你为什么要提出（2000，1，1000）而不是（2000，1000，1）？我用这个例子作为参考