Tensorflow ValueError:层cu_dnnlstm的输入0与层不兼容：预期ndim=3，发现ndim=2。收到完整形状：[无，175]

我正在使用CuDNNLSTMs进行实验，我不知道为什么，尽管我遵循了有关此的教程，但我得到了一个奇怪的错误，我可以理解，但我无法调试： 因此，我有一个4073时间序列*175特征数组，我试图将这175个特征传递给顺序模型，一次传递一个，传递给CuDNNLSTM层，以便模型从中学习一些东西

“阿尔沃”是RNN的目标

守则：

train_x, train_y = trainDF, trainDF["AlvoH"]
validation_x, validation_y = validationDF[:-Sequencia], validationDF["AlvoH"][:-Sequencia]

print(train_x.shape[1:])

model = Sequential()
model.add(CuDNNLSTM(512, input_shape=(train_x.shape[1:]), return_sequences=True))
model.add(Dropout(0.2))
model.add(BatchNormalization())

model.add(Dense(3, activation="softmax"))

opt = tf.keras.optimizers.Adam(learning_rate=0.001, decay=1e-6)

model.compile(loss="sparse_categorical_crossentropy", optimizer=opt, metrics=["accuracy"])

tensorboard = TensorBoard(log_dir=f'logs/{NAME}')

checkpoint = tf.keras.callbacks.ModelCheckpoint("models/{}.model".format("RNN_Final-{EPOCH:02d}", 
        monitor="val_acc", 
        verbose=1, 
        save_best_only=True, 
        mode="max"))

history = model.fit(train_x, train_y,
        batch_size=BATCH_SIZE, 
        epochs=EPOCHS, 
        validation_data=(validation_x, validation_y), 
        callbacks=[tensorboard, checkpoint])

错误：

回溯（最近一次呼叫最后一次）：

文件“ml.py”，第64行，在

model.add(CuDNNLSTM(512, input_shape=(train_x.shape[1:None]), return_sequences=True))

文件“C:\Users\Anaconda3\lib\site packages\tensorflow\python\training\tracking\base.py”，第456行，在方法包装中 结果=方法（自身、*args、**kwargs） 文件“C:\Users\Anaconda3\lib\site packages\tensorflow\python\keras\engine\sequential.py”，第198行，添加 层（x） 文件“C:\Users\Anaconda3\lib\site packages\tensorflow\python\keras\layers\recurrent.py”，第654行，在调用中 返回超级（RNN，自我）。调用（输入，**kwargs） 文件“C:\Users\Anaconda3\lib\site packages\tensorflow\python\keras\engine\base\u layer.py”，第886行，在调用中 （姓名） 文件“C:\Users\Anaconda3\lib\site packages\tensorflow\python\keras\engine\input\u spec.py”，第180行，在assert\u input\u compatibility中 str（x.shape.as_list（）） ValueError:层cu_dnnlstm的输入0与层不兼容：预期ndim=3，发现ndim=2。收到完整形状：[无，175]

据我所知，本教程是在Tensorflow 2.0之前编写的，在安装了2.0之后，我注意到有些东西发生了变化，特别是CuDNNLSTMs层，它有一个dif方法要导入，因此问题可能就在那里

这是2.0变化的结果吗？我尝试了一切，从超车到超车，从超车到超车，从超车到超车，从超车到超车，从超车，从超车到超车，从超车到超车，从超车到超车，从超车，从超车到超车，从超车到超车，从超车到超车，从超车到超车，从超车到超车，我都试过了

---

提前感谢您的回答

在tensorflow 2.x中，您不必使用CuDNNLSTM，默认情况下，简单LSTM层将在低级别使用CuDNNLSTM。 输入的形状_shape=（train_x.shape[1:]）必须是范围2，将输入更改为形状（4073、175、1），然后尝试例如：

model = Sequential()
model.add(LSTM(512, input_shape=(175 ,1), return_sequences=True))
model.add(Dropout(0.2))
model.add(BatchNormalization())

---

为了使代码能够正确地训练，我必须进行的更改

    train_x, train_y = array(trainDF[trainDF.columns.tolist()[:-1]]), array(trainDF["AlvoH"])
    validation_x, validation_y = array(validationDF[validationDF.columns.tolist()[:-1]][:-Sequencia]), array(validationDF["AlvoH"][:-Sequencia])
    train_x = train_x.reshape(train_x.shape[0],train_x.shape[1], 1)
    train_y = train_y.reshape(train_y.shape[0], 1, 1)
    validation_x = validation_x.reshape(validation_x.shape[0],validation_x.shape[1], 1)
    validation_y = validation_y.reshape(validation_y.shape[0], 1, 1)
    
    model = Sequential()
    model.add(LSTM(1024, input_shape=(train_x.shape[1:]), return_sequences=True))
    model.add(Dropout(0.2))
    model.add(BatchNormalization())
    
    model.add(Dense(3, activation="softmax"))
    
    opt = tf.keras.optimizers.Adam(learning_rate=0.0001, decay=1e-8)
    
    model.compile(loss="sparse_categorical_crossentropy", optimizer=opt, metrics=["accuracy"])
    
    tensorboard = TensorBoard(log_dir=f'logs/{NAME}')
    
    filepath = "RNN_Final-{epoch:02d}"
    checkpoint = ModelCheckpoint("TEMP/{}.model".format(filepath, 
            monitor="val_acc", 
            verbose=1, 
            save_best_only=True, 
            mode="max"))
    
    history = model.fit(train_x, train_y,
            batch_size=BATCH_SIZE, 
            epochs=EPOCHS, 
            validation_data=(validation_x, validation_y), 
            callbacks=[tensorboard, checkpoint])

第一个方面已经解决，因为我必须将数组传递给numpy数组，并按照 但现在，我有另一个问题，这让我感到困惑，它与此相关：如果我在培训结束时编码：

print(len(model.layers[0].get_weights()[0][0])) 
print(train_x.shape[1:]) 

我会得到：

4096 
(174, 1) 

---

这意味着，我认为，第一个LSTM层有4096个权重，其中应该只有174个。我说得对吗？

ValueError:层顺序的输入0与层不兼容：预期的ndim=3，发现的ndim=2。收到完整形状：[None，175]，代码为：model=Sequential（）model.add（LSTM（512，input_shape=（175，1），return_sequences=True））model.add（Dropout（0.2））model.add（BatchNormalization（））model.add（Dense（3，activation=“softmax”））opt=tf.keras.optimizers.Adam（学习率=0.001，衰减率=1e-6）model.compile（丢失=“稀疏分类交叉熵”，优化器=opt，度量=[“准确度”]）tensorboard=tensorboard（log_dir=f'logs/{NAME}），如建议的那样..您的数据形状=（4073175,1）？这是张量还是tf.dataset或张量列表？这方面已经解决了，因为我必须将数组传递给numpy数组并进行一些更改，正如：但是，我有另一个问题，这让我感到困惑，这与此有关：如果我在培训结束时编码：print（len（model.layers[0]。get_weights（）[0][0]）print（train_x.shape[1:]我会得到：4096（174，1）这意味着，我认为，我的第一个LSTM层有4096个权重，其中我应该只有174个。对吗？我不知道您对数据做了哪些更改？您按照我在第一个答案中的建议更改了输入；您能选择它作为正确答案吗？这是另一个问题。正确的权重数是4096，因为每个LSTM单元有四个门，每个门作为密集层有自己的权重，1024个单元*4*输入特征（=1而非174）=4096。