图层（类型）输出形状参数＃

Question

我在Keras遇到错误，但我无法找到解决方案。我搜索了整个互联网，我仍然没有回答^^ 这是我的代码。

model = Sequential()
model.add(LSTM(32, return_sequences=True, input_shape=X.values.shape))
model.add(LSTM(32, return_sequences=True))
model.add(LSTM(32))
model.add(Dense(10, activation="softmax"))
model.compile(loss="categorical_crossentropy", optimizer="adam", metrics=['accuracy'])

错误是第二行。它说＆＃34; ValueError：检查输入时出错：预期lstm_1_input有3个维度，但是有阵列形状（393613,50）＆＃34; 我的Dataframe X的形状是正确的。当我尝试训练模型时，弹出错误

model.fit(X.values, Y.values, batch_size=200, epochs=10, validation_split=0.05)

我希望有人可以帮助我： - ）

[编辑] 顺便说一句。这是model.summary（）

图层（类型）输出形状参数＃

lstm_1（LSTM）（无，393613,32）10624

lstm_2（LSTM）（无，393613,32）8320

lstm_3（LSTM）（无，32）8320

dense_1（密集）（无，10）330

总参数：27,594 可训练的参数：27,594 不可训练的参数：0

亲切的问候尼克拉斯。

Answer 1

初始化第一个图层时，您传递2个值为input_shape = def Interp(datain,xin,yin,xout,yout,interpolation='NearestNeighbour'): """ Interpolates a 2D array onto a new grid (only works for linear grids), with the Lat/Lon inputs of the old and new grid. Can perfom nearest neighbour interpolation or bilinear interpolation (of order 1)' This is an extract from the basemap module (truncated) """ # Mesh Coordinates so that they are both 2D arrays xout,yout = np.meshgrid(xout,yout) # compute grid coordinates of output grid. delx = xin[1:]-xin[0:-1] dely = yin[1:]-yin[0:-1] xcoords = (len(xin)-1)*(xout-xin[0])/(xin[-1]-xin[0]) ycoords = (len(yin)-1)*(yout-yin[0])/(yin[-1]-yin[0]) xcoords = np.clip(xcoords,0,len(xin)-1) ycoords = np.clip(ycoords,0,len(yin)-1) # Interpolate to output grid using nearest neighbour if interpolation == 'NearestNeighbour': xcoordsi = np.around(xcoords).astype(np.int32) ycoordsi = np.around(ycoords).astype(np.int32) dataout = datain[ycoordsi,xcoordsi] # Interpolate to output grid using bilinear interpolation. elif interpolation == 'Bilinear': xi = xcoords.astype(np.int32) yi = ycoords.astype(np.int32) xip1 = xi+1 yip1 = yi+1 xip1 = np.clip(xip1,0,len(xin)-1) yip1 = np.clip(yip1,0,len(yin)-1) delx = xcoords-xi.astype(np.float32) dely = ycoords-yi.astype(np.float32) dataout = (1.-delx)*(1.-dely)*datain[yi,xi] + \ delx*dely*datain[yip1,xip1] + \ (1.-delx)*dely*datain[yip1,xi] + \ delx*(1.-dely)*datain[yi,xip1] return dataout

keras已经预计每批次的行数为NONE。在运行时，此值由X.values.shape（在您的情况下为200）

确定

所以基本上它在内部改变了第1层的输入形状 batch_size=

要解决此问题，您只需将1个参数作为NO_OF_FEATURES, NO_OF_ROWS_IN_DATA_SET, NO_OF_ROWS_PER_BATCH传递，这不是功能。 Keras已经接受input_shape作为占位符，每批次没有行。

所以NONE应该做到这一点。

input_shape=(X.values.shape[1],)

Answer 2

您犯了两个错误：

LSTM处理顺序数据。也就是说，LSTM的输入数据是3维的。在第一个lstm层中，您设置了input_shape = X.values.shape，这是错误的，因为input_shape必须指定时间步数和要素数量，即input_shape =（num_time_steps，num_features）。您的阵列行不是您的时间步。这些行基本上表示批号。就语法而言，这仍然是正确的，并且在编译代码时不会出现任何错误。
您必须调整数据集的形状，使其为3维，即batch_size，time_step，功能。您可以使用numpy.reshape轻松地进行如下操作：

X_train_arr = numpy.reshape(X.values,(X.values.shape[0],1,X.values.shape[1]))

这是假设您只有一个时间步长。如果您的时间步长超过您将需要做更多的调整。

ValueError：检查输入时出错：预期lstm_1_input有3个维度，但得到的数组有形状（393613,50）

图层（类型）输出形状参数＃

dense_1（密集）（无，10）330

2 个答案: