Tensorflow 检查目标时出错：预期稠密_1有2维，但得到了形状为（1，4000，25）的数组

我试图训练一个LSTM网络来进行无监督的二进制分类

我有一个整数矩阵作为输入，每行是一个不同的跟踪，每列是一个特征

这是我使用的模型：

time_steps = 4000
features = 25
model = Sequential()
model.add(LSTM(128, input_shape=(time_steps, features), name='lstm'))
model.add(Dense(1, activation='relu'))
model.summary()
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(x_train, x_train, batch_size=batch_size, epochs=epochs, verbose=2)

这就是我得到的错误：

检查目标时出错：预期稠密_1具有2维，但得到形状为1、4000、25的数组

它是在尝试运行model.fit时生成的

输入的形式如下所示：

x_train = np.array([input_array[:4000]])

输入的每条轨迹都有25个特征

我是这个领域的新手，不知道如何解决这个问题。 我查过类似的票，但没有一张对我有帮助

下面是我分析的一些门票：

---

您尚未显示输入_数组的形状，但可以尝试使用np.restrageInput_数组，4000，25对其进行整形。阅读有关重塑的更多信息

几句话：

x_序列作为输入提供给LSTM层，该层需要3D输入。第一个维度是样本，第二个维度是时间步长，最后一个维度是特征。 当您调用fit时，您将两次通过x_列，这意味着您希望目标与输入数据相同。如果您尝试使用自动编码器，这是有意义的，但是它不能在这种体系结构上工作。密集层的输出将是单个值，它无法匹配3D输入的形状。下面我添加了一个y_序列，这样您的模型就可以预测单个值。 时间步数=40 特征=25 x_train=np.random.normalsize=10，时间步长，特征 y_序列=np.随机。正常大小=10， 模型=顺序 model.addLSTM128，输入\u shape=time\u步骤，特征，name='lstm' model.addDense1，activation='relu' 范文摘要 model.compileloss='binary\u crossentropy'，optimizer='adam'，metrics=['accurity'] model.fitx\u列，y\u列，批量大小=32，历代数=2，详细数=2 祝你好运