我有在多層感知器架構(gòu)上工作的數(shù)據(jù)看起來像這樣X_train_feature.shape(52594, 16)X_train_feature[0]array([1.18867208e-03, 1.00000000e+00, 8.90000000e+01, 8.00000000e+00, 0.00000000e+00, 0.00000000e+00, 0.00000000e+00, 0.00000000e+00, 0.00000000e+00, 0.00000000e+00, 0.00000000e+00, 0.00000000e+00, 0.00000000e+00, 0.00000000e+00, 0.00000000e+00, 0.00000000e+00])y_train(52594, 2)y_train[0].toarray()array([[0., 1.]])第一個維度：樣本數(shù)，第二個維度：X_train 是特征的數(shù)量，y_train 是 one-hot 編碼器。我想在 LSTM/Bi-LSTM 上使用相同的數(shù)據(jù)，所以我從互聯(lián)網(wǎng)上復(fù)制代碼并將輸入值更改為與 MLP 相同def define_model(): model = Sequential() model.add(LSTM(20, input_shape=X_train_feature[0].shape, return_sequences=True)) model.add(TimeDistributed(Dense(1, activation='sigmoid'))) model.compile(loss='categorical_crossentropy', optimizer='rmsprop', metrics=['accuracy']) # compile print('Total params: ', model.count_params()) return model但是當(dāng)我嘗試創(chuàng)建模型時，將附加有關(guān)輸入形狀的錯誤model = define_model()ValueError: Input 0 is incompatible with layer lstm_30: expected ndim=3, found ndim=2我需要調(diào)整我的數(shù)據(jù)以應(yīng)用于 LSTM 還是需要更改架構(gòu)配置？太感謝了。
2 回答
桃花長相依
TA貢獻1860條經(jīng)驗 獲得超8個贊
LSTM（與感知器不同）不是前饋網(wǎng)絡(luò)。它需要歷史來預(yù)測下一點。因此，LSTM 的適當(dāng)輸入張量應(yīng)該具有形狀(timesteps, num_features)，這意味著每個樣本都是一系列timesteps觀察結(jié)果，使得細胞狀態(tài)在序列的第一次觀察中啟動并貫穿整個序列。
因此，輸入張量應(yīng)具有以下形狀(num_sequences, seq_length, num_features)：
num_sequences：樣本數(shù)，即你需要多少個序列來訓(xùn)練模型？seq_length: 這些序列有多長。對于可變長度序列，您可以提供None.num_features: 在給定的序列中有多少個特征有一個單一的觀察？
翻過高山走不出你
TA貢獻1875條經(jīng)驗 獲得超3個贊
LSTM 層的輸入是一個 3d 張量，形狀為 (data_length, timesteps, n_features)
為此，您首先必須使用以下方式轉(zhuǎn)換數(shù)據(jù)：
def slice_data(self, data, n_steps, n_ahead=1):
X_data = data.drop(['y'], axis=1)
y_data = data['y']
X = []
y = []
for i in range(len(X_data)):
end_point = i + n_steps
if end_point + n_ahead > len(X_data)-1:
break
slice_x, slice_y = X_data[i:end_point], y_data.loc[end_point]
X.append(slice_x)
y.append(slice_y)
X, y = np.array(X), np.array(y)
self.n_features = X.shape[2]
X = X.reshape((X.shape[0], X.shape[1], X.shape[2]))
return X, y
或者您可以使用我自己制作的工具：EasyLSTM EasyLSTM 只需一行代碼即可將您的輸入數(shù)組塑造成對 LSTM 友好的數(shù)組
添加回答
舉報
0/150
提交
取消