Question

我正在跟踪一个使用keras创建LSTM神经网络的教程。我有1270行和26个特征的数组。我这样分割数据：

train_ind = int(0.8 * X.shape[0])
X_train = X[:train_ind]
X_test = X[train_ind:]
y_train = y[:train_ind]
y_test = y[train_ind:]

我正在尝试使用以下方法为lstm重塑它：

num_steps = 4
X_train_shaped = np.reshape(X_train_sc, newshape=(-1, num_steps, 26))
y_train_shaped = np.reshape(y_train_sc, newshape=(-1, num_steps, 26))
assert X_train_shaped.shape[0] == y_train_shaped.shape[0]

但是，我遇到此错误：

ValueError: cannot reshape array of size 1016 into shape (4,26)

Answer 1

好吧，4 x 26 = 104，并且1270无法被104整除，因此np.reshape()不能选择整数行（-1）来使其适合数组。您需要更改num_steps或num_features（26），以使num_steps * num_features平均除以1270。不幸的是，对于num_features = 26，这是不可能的，因为13不会除以1270。另一种选择是选择其他总数的行，例如1040或1144，它们都可以被104整除。

因此，与其设置train_ind = int(0.8 * X.shape[0])，不如尝试train_id = 1040或较小的104倍。但是，请注意，您的测试数据还必须具有相当数量的行，以便对其进行整形以同样的方式。

Answer 2

首先，您不需要重新设计数组的形状。 numpy数组的shape属性仅确定如何向您显示基础数据以及如何访问数据。更改形状实际上并不会移动任何数据。

同样，我们注意到人们无法将形状更改为不可能的形状。例如，如果数组的大小为（100,5,6），则不能将其更改为（100,5,7）。通常，轴必须倍数到正确的值。 100 * 5 * 6不等于100 * 5 * 7。

在您的情况下，您听起来好像想使用LSTM，这通常意味着您只需要简单地添加一个附加轴，即可获得大小为1的输入向量。可以使用无添加一个新轴。 numpy中的条目。像这样：

X_train = X[:train_ind,:,None] #The axes are Batch, Time, and the Input Vector.

形状现在应该是（1016,26,1）。

无法将大小为x的数组重塑为形状y

2 个答案: