Keras 中的 LSTM 输入维度问题

Question

我正在尝试使用 keras 实现多输入 LSTM 模型。代码如下：

data_1 -> shape (1150,50) 
data_2 -> shape (1150,50)
y_train -> shape (1150,50)

input_1 = Input(shape=data_1.shape)
LSTM_1 = LSTM(100)(input_1)

input_2 = Input(shape=data_2.shape)
LSTM_2 = LSTM(100)(input_2)

concat = Concatenate(axis=-1)
x = concat([LSTM_1, LSTM_2])
dense_layer = Dense(1, activation='sigmoid')(x)
model = keras.models.Model(inputs=[input_1, input_2], outputs=[dense_layer])

model.compile(loss='binary_crossentropy',
                      optimizer='adam',
                      metrics=['acc'])

model.fit([data_1, data_2], y_train, epochs=10)

当我运行这段代码时，我得到一个 ValueError:

ValueError：检查模型输入时出错：预期 input_1 有 3 个维度，但得到的数组形状为 (1150, 50)

有人有办法解决这个问题吗？

Answer 1

在定义模型之前使用 data1 = np.expand_dims(data1, axis=2)。 LSTM 期望输入的维度为 (batch_size, timesteps, features)，因此，在您的情况下，我猜您有 1 个特征、50 个时间步长和 1150 个样本，您需要在向量末尾添加一个维度。

这需要在定义模型之前完成，否则当您设置 input_1 = Input(shape=data_1.shape) 时，您是在告诉 keras 您的输入有 1150 个时间步长和 50 个特征，因此它期望输入的形状为 (None, 1150, 50) （非代表 "any dimension will be accepted"）。

input_2

也是如此

希望对您有所帮助

Keras 中的 LSTM 输入维度问题

Issue in LSTM Input Dimensions in Keras

machine-learning

neural-network

lstm

keras

keras-layer