我正在尝试使用LSTM对时间序列数据进行多类分类。
训练集的尺寸为（390，179），即390个对象，每个对象具有179个时间步长。
有37种可能的课程。
我想使用仅具有LSTM和激活层的Keras模型对输入数据进行分类。
在LSTM的每个步骤中，我还需要通过模型传递的所有训练数据和测试数据的隐藏状态（不仅仅是最终状态）。
我知道需要return_sequences=True，但是在匹配尺寸时遇到了麻烦。
下面是我尝试过的一些代码，但是我尝试了很多来自stackexchange和git问题杂乱无章的调用组合。在所有这些标签中，我都遇到了尺寸不匹配或其他问题。
我不知道如何从模型中提取隐藏状态表示。
我们有X_train.shape = (390, 1, 179)，Y_train.shape = (390, 37)（一次性二进制向量）/。
n_units = 8
n_sequence = 179
n_class = 37
x = Input(shape=(1, n_sequence))
y = LSTM(n_units, return_sequences=True)(x)
z = Dense(n_class, activation='softmax')(y)
model = Model(inputs=[x], outputs=[y])
model.compile(loss='categorical_crossentropy', optimizer='adam')
model.fit(X_train, Y_train, epochs=100, batch_size=128)
Y_test_predict = model.predict(X_test, batch_size=128)
这就是上面给我的：
ValueError: A target array with shape (390, 37) was passed for an output of shape (None, 1, 37) while using as loss 'categorical_crossentropy'. This loss expects targets to have the same shape as the output.
答案 0 :(得分：0)
您输入的形状应如下所示：（样本，时间步长，特征） 样本的位置是您有多少个序列，时间步长是序列的时间长短，并且要在一个时间步长中显示要输入的输入数量。 如果设置return_sequences = True，则标签数组的形状应为（样本，时间步长，输出特征）。
答案 1 :(得分：0)
似乎没有任何方法可以建立可行的可训练模型，同时还用return_sequences=True返回隐藏状态。
我发现的解决方法是建立一个预测器模型并对其进行训练，然后保存权重。然后，我建立了一个新模型，该模型以我的LSTM层结束，并提供了经过训练的权重。因此，使用return_sequences=True，我可以预测新数据并获得每个隐藏状态的数据表示。