关于 Keras RNN 输入形状要求的困惑

Question

我已经阅读了很多关于这一点的帖子。它们彼此不一致，每个答案似乎都有不同的解释，所以我想根据我对所有这些的分析来问。

正如 Keras RNN 文档所述，输入形状 始终采用这种形式 (batch_size, timesteps, input_dim)。我对此有点困惑，但我想，虽然不确定，input_dim 始终为 1 而timesteps 取决于您的问题（也可能是数据维度）。这大致正确吗？

这个问题的原因是我在尝试将input_dim 的值更改为我的数据集维度时总是出错（因为 input_dim 听起来像那样！！），所以我假设input_dim 代表一次输入 LSTM 的输入向量的形状。我又错了吗？

C = C.reshape((C.shape[0], C.shape[1], 1))
tr_C, ts_C, tr_r, ts_r = train_test_split(C, r, train_size=.8)
batch_size = 1000

print('Build model...')
model = Sequential()

model.add(LSTM(8, batch_input_shape=(batch_size, C.shape[1], 1), stateful=True, activation='relu'))
model.add(Dense(1, activation='relu'))

print('Training...')
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

model.fit(tr_C, tr_r,
          batch_size=batch_size, epochs=1,
          shuffle=True, validation_data=(ts_C, ts_r))

谢谢！

Answer 1

确实，input_dim 是一次输入向量的形状。换句话说，input_dim 是输入features 的编号。

不过，它不一定是 1。如果您使用多个 var，则它可以是任意数字。

假设您有 10 个序列，每个序列有 200 个时间步长，而您只测量一个温度。那么你有一个特点：

• input_shape = (200,1) -- 注意这里忽略了批量大小（序列数）
• batch_input_shape = (10,200,1) -- 仅在特定情况下，如 stateful = True，您将需要批量输入形状。

现在假设您不仅要测量温度，还要测量压力和体积。现在您拥有三个输入功能：

• input_shape = (200,3)
• batch_input_shape = (10,200,3)

换句话说，第一个维度是不同序列的数量。第二个是序列的长度（沿时间有多少小节）。最后是每次有多少个变量。