4

我想使用带有 keras 的 LSTM 神经网络来预测时间序列组，但在使模型与我想要的匹配时遇到了麻烦。我的数据维度是：

输入张量：(data length, number of series to train, time steps to look back)

输出张量：(data length, number of series to forecast, time steps to look ahead)

注意：我想保持尺寸完全一样，没有转置。

重现问题的虚拟数据代码是：

import numpy as np
from keras.models import Sequential
from keras.layers import Dense, TimeDistributed, LSTM

epoch_number = 100
batch_size = 20
input_dim = 4
output_dim = 3
look_back = 24
look_ahead = 24
n = 100

trainX = np.random.rand(n, input_dim, look_back)
trainY = np.random.rand(n, output_dim, look_ahead)
print('test X:', trainX.shape)
print('test Y:', trainY.shape)

model = Sequential()

# Add the first LSTM layer (The intermediate layers need to pass the sequences to the next layer)
model.add(LSTM(10, batch_input_shape=(None, input_dim, look_back), return_sequences=True))

# add the first LSTM layer (the dimensions are only needed in the first layer)
model.add(LSTM(10, return_sequences=True))

# the TimeDistributed object allows a 3D output
model.add(TimeDistributed(Dense(look_ahead)))

model.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])
model.fit(trainX, trainY, nb_epoch=epoch_number, batch_size=batch_size, verbose=1)

这导致：

异常：检查模型目标时出错：预期 timedistributed_1 的形状为 (None, 4, 24) 但得到的数组的形状为 (100, 3, 24)

问题似乎出在定义TimeDistributed 图层时。

如何定义TimeDistributed层以便编译和训练？

4

2 回答 2

0

在您的情况下，错误消息有点误导。调用网络的输出节点，timedistributed_1因为这是顺序模型中的最后一个节点。错误消息试图告诉您的是，此节点的输出与您的模型适合的目标（即您的标签）不匹配trainY。

您trainY的形状为(n, output_dim, look_ahead)，(100, 3, 24)但网络产生的输出形状为(batch_size, input_dim, look_ahead)。这种情况下的问题是output_dim!= input_dim。如果您的时间维度发生变化，您可能需要填充或删除所述时间步长的网络节点。

于 2016-10-17T18:29:14.583 回答
0

我认为问题在于您期望output_dim(!= input_dim) 的输出TimeDistributed，而这是不可能的。这个维度就是它所认为的时间维度：它被保留了。

输入至少应为 3D，索引1的维度将被视为时间维度。

的目的是对每个时间步TimeDistributed应用相同的层。您最终只能获得与开始时相同数量的时间步长。

如果你真的需要将这个维度从 4 降低到 3，我认为你需要在最后添加另一个层，或者使用不同于TimeDistributed.

PS：发现这个问题的一个提示output_dim是在创建模型时从未使用过，它只出现在验证数据中。虽然这只是代码异味（此观察结果可能没有任何问题），但值得检查。

于 2016-10-17T18:45:16.167 回答