Python 如何重塑以进行LSTM的三维输入？

我观察了10个特征1002次。我已经连接在一起对数据进行预处理，现在，我需要将其重塑为3D输入数据，以便在LSTM中使用。我不知道使用pd.df.groupby

（['timestep']）

是否有意义，但我使用了一个很小的

“np.reformate”

函数，但似乎无法确定，因此我得到了错误。代码如下：

train_dataset = dataset.sample(frac=0.8,random_state=0)
test_dataset = dataset.drop(train_dataset.index)

scaler = MinMaxScaler()
train_x = scaler.fit_transform(train_dataset)
test_x  = scaler.fit_transform(test_dataset)

data_train = train_x.reshape(1002, 1001, 11)
def build_model():
    model = tf.keras.Sequential([
        layers.LSTM(128,activation=tf.nn.relu,input_shape=train_dataset.shape[1:],return_sequences=True, return_state=True),
        layers.LSTM(128,activation=tf.nn.relu,return_sequences=True, return_state=True),
        layers.Dense(1)
    ])
    opt = tf.keras.optimizers.Adam(learning_rate=0.001)
    model.compile(loss='mean_squared_error', optimizer=opt, metrics= ['mean_squared_error','mean_absolute_error'])
    
    return model

Input 0 of layer lstm_10 is incompatible with the layer: expected ndim=3, found ndim=2. Full shape received: [None, 11]

对于

密集层

我面临的错误如下：

train_dataset = dataset.sample(frac=0.8,random_state=0)
test_dataset = dataset.drop(train_dataset.index)

scaler = MinMaxScaler()
train_x = scaler.fit_transform(train_dataset)
test_x  = scaler.fit_transform(test_dataset)

data_train = train_x.reshape(1002, 1001, 11)
def build_model():
    model = tf.keras.Sequential([
        layers.LSTM(128,activation=tf.nn.relu,input_shape=train_dataset.shape[1:],return_sequences=True, return_state=True),
        layers.LSTM(128,activation=tf.nn.relu,return_sequences=True, return_state=True),
        layers.Dense(1)
    ])
    opt = tf.keras.optimizers.Adam(learning_rate=0.001)
    model.compile(loss='mean_squared_error', optimizer=opt, metrics= ['mean_squared_error','mean_absolute_error'])
    
    return model

Input 0 of layer lstm_10 is incompatible with the layer: expected ndim=3, found ndim=2. Full shape received: [None, 11]

从文档（）中，我们看到输入需要具有（批处理、时间步、特性）的形状。不确定您的数据集是什么样子的，但听起来数据集中的每个观察值的形状都是（10，）。在这种情况下，您需要沿新维度时间组合观察结果。因此，整个数据集的形状应该类似（观察、时间步、特征）

我在这里没有指定训练标签，但请记住，traindata中的每个索引I都将对应于标签的索引I+statemem。statemem是用于进行下一个lstm预测的过去历史。您可以将其视为特定于您的问题的超参数。

从文档（）中，我们看到输入需要具有（批处理、时间步、功能）的形状。不确定您的数据集是什么样子的，但听起来数据集中的每个观察值的形状都是（10，）。在这种情况下，您需要沿新维度时间组合观察结果。因此，整个数据集的形状应该类似（观察、时间步、特征）

---

我在这里没有指定训练标签，但请记住，traindata中的每个索引I都将对应于标签的索引I+statemem。statemem是用于进行下一个lstm预测的过去历史。您可以将其视为特定于您的问题的超参数。

还有一件事，我有1001年的数据，每年我在1002个空间点中观察到10个特征，现在，我的批量大小应该是1001或1002？？批量大小与观察的数量无关-这是一个超参数，您可以设置它来帮助优化算法。通常，人们使用32、64或128等批量大小。您可能不想将每个观察结果都放入批处理中。空间（“空间点”）与时间（年）是一个更复杂的问题。还有一件事，我有1001年的数据，每年我在1002个空间点中观察到10个特征，现在，我的批量大小应该是1001或1002？？批量大小与观察的数量无关-这是一个超参数，您可以设置它来帮助优化算法。通常，人们使用32、64或128等批量大小。您可能不想将每个观察结果都放入批处理中。空间（“空间点”）与时间（年）是一个更复杂的问题，这是否回答了您的问题？这回答了你的问题吗？