Keras LSTM 层输入形状

Question

我正在尝试将具有 20 个特征的序列提供给 LSTM 网络，如代码所示。但是我得到一个错误，我的 Input0 与 LSTM 输入不兼容。不确定如何更改我的层结构以适应数据。

def build_model(features, aux1=None, aux2=None):
# create model
features[0] = np.asarray(features[0])
main_input = Input(shape=features[0].shape, dtype='float32', name='main_input')
main_out   = LSTM(40, activation='relu')
aux1_input = Input(shape=(len(aux1[0]),),   dtype='float32', name='aux1_input')
aux1_out   = Dense(len(aux1[0]))(aux1_input)
aux2_input = Input(shape=(len(aux2[0]),),   dtype='float32', name='aux2_input')
aux2_out   = Dense(len(aux2[0]))(aux2_input)
x = concatenate([aux1_out, main_out, aux2_out])
x = Dense(64, activation='relu')(x)
x = Dropout(0.5)(x)
output = Dense(1, activation='sigmoid', name='main_output')(x)
model = Model(inputs=[aux1_input, aux2_input, main_input], outputs= [output])
return model

特征变量是一个形状数组 (1456, 20) 我有 1456 天，每天我有 20 个变量。

Answer 1

你的 main_input 的形状应该是 (samples, timesteps, features) 然后你应该这样定义 main_input：

main_input = Input(shape=(timesteps,))  # for stateless RNN (your one)

或 main_input = Input(batch_shape=(batch_size, timesteps,)) 用于有状态 RNN（不是您在示例中使用的那个）

如果您的 features[0] 是各种特征的一维数组（1 个时间步长），那么您还必须像这样重塑 features[0]：

features[0] = np.reshape(features[0], (1, features[0].shape))

然后对 features[1]、features[2] 等

或更好地一次重塑所有样本：

features = np.reshape(features, (features.shape[0], 1, features.shape[1]))

Answer 2

LSTM 层设计用于 "sequences"。

你说你的序列有 20 个特征，但是它有多少 时间步？您是说 20 个时间步吗？

LSTM 层需要输入形状，例如 (BatchSize, TimeSteps, Features)。

如果在每个 20 time steps 中都有 1 feature，则必须将数据调整为：

inputData = someData.reshape(NumberOfSequences, 20, 1)

并且 Input 张量应采用以下形状：

main_input = Input((20,1), ...) #yes, it ignores the batch size

Keras LSTM 层输入形状

Keras LSTM layers input shape

python-3.x

deep-learning

lstm

keras