Tensorflow Keras LSTM-VAE（变分自动编码器）用于时间序列anamoly检测

我正在尝试使用Keras为时间序列重建的LSTM-VAE建模

我已经参考并创建了LSTM-VAE体系结构

我在训练网络时遇到问题，在急切执行模式下训练时出现以下错误：

InvalidArgumentError:不兼容的形状：[8,1]与[32,1][Op:Mul]

输入形状为

（7752,30,1）

此处为30个时间步和1个特征

型号编码器：

编码器 潜在_dim=1 内部尺寸=32 #示例、时间步、功能 input_x=keras.layers.input（shape=（x_train.shape[1]，x_train.shape[2]）） #中间尺寸 h=keras.layers.LSTM（内部尺寸）（输入x） #z_层 z_平均值=keras.层密（潜在尺寸）（h） z_log_sigma=keras.层密（潜在尺寸）（h） z=λ（抽样）（[z_平均值，z_对数_σ]） 型号解码器：

重建解码器 decoder1=重复向量（X_列形状[1]）（z） decoder1=keras.layers.LSTM（100，activation='relu'，return_sequences=True）（decoder1） decoder1=keras.layers.TimeDistributed（密集（1））（decoder1） 采样功能：

batch\u size=32
def采样（args）：
z_平均值，z_log_sigma=args
ε=K.随机性正常（形状=（批次大小，潜在尺寸），平均值=0，标准差=1。）
返回z_平均值+z_log_sigma*epsilon

VAE损失函数：

def vae_loss2（输入x，解码1）：
“”“计算损失=重建损失+小批量中每个数据的KL损失”“”
#E[对数P（X | z）]
侦察=K.sum（K.binary\u交叉熵（输入x，解码器1），轴=1）
#D|KL（Q（z | X）| P（z | X））；以闭合形式计算，因为两个距离均为高斯分布
kl=0.5*K.sum（K.exp（z_log_sigma）+K.square（z_均值）-1.-z_log_sigma，轴=1）
返回侦察+kl

---

有什么建议可以让模型工作吗？

您需要推断采样函数中的批次，并且需要注意您的损失。。。损失函数使用前一层的输出，因此需要注意这一点。我使用

模型来实现这一点。添加损失（…）

编码器 潜在_dim=1 内部尺寸=32 时间步长，特征=100，1 def采样（args）： z_平均值，z_log_sigma=args

---

批次大小=tf.shape（z_平均值）[0]#谢谢@Marco Cerliani！，它在TF版本2.3中工作！时间序列的VAE LSTM：

# encoder
latent_dim = 1
inter_dim = 32
timesteps, features = 100, 1

def sampling(args):
    z_mean, z_log_sigma = args
    batch_size = tf.shape(z_mean)[0] # <================
    epsilon = K.random_normal(shape=(batch_size, latent_dim), mean=0., stddev=1.)
    return z_mean + z_log_sigma * epsilon

# timesteps, features
input_x = Input(shape= (timesteps, features)) 

#intermediate dimension 
h = LSTM(inter_dim, activation='relu')(input_x)

#z_layer
z_mean = Dense(latent_dim)(h)
z_log_sigma = Dense(latent_dim)(h)
z = Lambda(sampling)([z_mean, z_log_sigma])

# Reconstruction decoder
decoder1 = RepeatVector(timesteps)(z)
decoder1 = LSTM(inter_dim, activation='relu', return_sequences=True)(decoder1)
decoder1 = TimeDistributed(Dense(features))(decoder1)

def vae_loss2(input_x, decoder1, z_log_sigma, z_mean):
    """ Calculate loss = reconstruction loss + KL loss for each data in minibatch """
    # E[log P(X|z)]
    recon = K.sum(K.binary_crossentropy(input_x, decoder1))
    # D_KL(Q(z|X) || P(z|X)); calculate in closed form as both dist. are Gaussian
    kl = 0.5 * K.sum(K.exp(z_log_sigma) + K.square(z_mean) - 1. - z_log_sigma)

    return recon + kl

m = Model(input_x, decoder1)
m.add_loss(vae_loss2(input_x, decoder1, z_log_sigma, z_mean)) #<===========
m.compile(loss=None, optimizer='adam')