2

在我的模型中

Xtrain shape : (62, 30, 100)
Ytrain shape : (62, 1, 100)
Xtest shape : (16, 30, 100)
Ytest shape : (16, 1, 100)

当我建立我的模型时，

model = Sequential()
model.add(LSTM(units=100, return_sequences= True, input_shape=(x_train.shape[1],X_train.shape[2])))
model.add(LSTM(units=100, return_sequences=True))
model.add(Dense(units=100))

model.fit(x_train,y_train,epochs=5,batch_size=13)

当我尝试适应它时会引发错误，

ValueError: Error when checking target: expected dense_1 to have 2 dimensions, but got array with shape (62, 1, 100)

我需要预测所有 100 个功能的下一个时间戳。需要做哪些改变？

4

2 回答 2

1

如果您希望自己处理每个 LSTM 步骤的结果（在 LSTM 或其他 RNN 之后放置 Dense 层的最常见用法），您需要将其包装起来，如下所示：

model = Sequential()
model.add(LSTM(units=100, return_sequences= True, input_shape=(x_train.shape[1],X_train.shape[2])))
model.add(LSTM(units=100, return_sequences=True))
model.add(TimeDistributed(Dense(units=100)))

每个输出都将单独提供给 Dense 层（当然，它将是同一层 - 所有权重将在它的每个“实例”之间共享）。

于 2019-09-26T20:57:47.923 回答
1

发布的代码似乎与生成错误的代码不同。

打印您的model.summary(). 你会看见：

  • LSTM 1：（无、30、100）
  • LSTM 2：（无、30、100）
  • 密集：（无、30、100）

您没有使用任何东西将时间步数减少到 1。根据此模型，您的错误消息肯定应该抱怨尝试(None, 30, 100)vs (62, 1, 100)。

为了消除时间步长，您需要return_sequences=False在最后一个 LSTM 中，因此您的模型变为：

  • （无、30、100）
  • （无，100）
  • （无，100）

这样，您可以拥有Ytrain.shape == (62,100)

如果你真的需要那个中间维度 == 1，就Lambda(lambda x: K.expand_dims(x, 1))在密集之后使用。

于 2019-09-24T03:49:37.523 回答