Question

我正在尝试keras.layers.LSTM。以下代码有效。

#!/usr/bin/python3
import tensorflow as tf
import numpy as np
from tensorflow import keras

data = np.array([1, 2, 3]).reshape((1, 3, 1)) 
x = keras.layers.Input(shape=(3, 1)) 
y = keras.layers.LSTM(10)(x)
model = keras.Model(inputs=x, outputs=y)

print (model.predict(data))

如上所示，输入数据形状为(1, 3, 1)，而输入层中的实际输入形状为(3, 1)。我对此维度的不一致感到有些困惑。如果我在“输入”层中使用以下形状，则将不起作用：

x = keras.layers.Input(shape=(1, 3, 1))

错误消息如下：

ValueError: Input 0 of layer lstm is incompatible with the layer: expected ndim=3, found ndim=4. Full shape received: [None, 1, 3, 1]

输入的等级似乎必须为3，但是为什么我们要在输入层中使用等级2的形状？

Answer 1

查看tf.keras.Input的文档。语法为-

tf.keras.Input(
    shape=None,
    batch_size=None,
    name=None,
    dtype=None,
    sparse=False,
    tensor=None,
    **kwargs
)

形状：定义单个样品的形状，并具有可变的批量大小。

注意，它期望第一个值为batch_size，否则将batch_size作为参数明确传递

Answer 2

Keras处理“样本”的“批次”。由于大多数模型使用的可变批量大小仅在拟合时定义，因此为方便起见，您不必关心批量尺寸，而只关心样本尺寸。

也就是说，当您使用shape = (3,1)时，这与定义batch_shape = (None, 3, 1)或batch_input_shape = (None, 3, 1)相同。

这三个选项表示：

可变批量大小：None
带有形状为(3, 1)的样本。

了解这一区别非常重要，尤其是当您要创建自定义图层，损失或指标时。实际的张量都具有批处理尺寸，使用张量进行操作时应考虑到这一点。

Keras中LSTM层的输入尺寸

2 个答案: