实际上，我正在尝试使用LSTM或GRU构建RNN进行回归。 我的输入数据是来自Imu Sensor的时间序列，我的目标数据是（x，y，z）， 确切地说，我试图从时间序列（快乐，唤醒和支配地位）预测PAD值。 因此，对于每个时间序列文件夹，我都有相应的PAD值 X = [ - 1.1546，-2.55 ......，N] Y = [-0.5,0.6,0.3] 我知道LSTM需要输入三维输入（1，x，y），对于输入它是可以的， 但问题在于Target，您认为我需要像输入一样重塑3d目标吗？ 或者你有任何想法来处理我的问题？ X =时间序列，Y =（x，y，z）
提前感谢您的回答或任何建议！
答案 0 :(得分：0)
您只需要重塑巡视输入（batch_size，timesteps，features），但目标形状取决于您在LSTM之后放置的内容，或者您为LSTM选择的输出类型。
假设您有一个输出n个神经元的LSTM，如果您选择设置return_sequences = False，它将具有如下输出：（batch_size，n）（每个序列一个输出）。
如果您选择设置return_sequences = True，它将输出与输入大小相同的序列，因此您将获得此形状的输出：（batch_size，timesteps，n）。
在第一种情况下，您的输出直接为2d，因此您无需重塑目标。如果您决定使用return_sequences = True，则需要找到一种方法来重塑LSTM的输出（Keras中有多个层允许您更改前一层输出的形状）。