检查模型输入时出错：预期 lstm_1_input 具有 3 个维度，但得到的数组具有形状 (339732, 29)答案

【问题标题】：Error when checking model input: expected lstm_1_input to have 3 dimensions, but got array with shape (339732, 29)检查模型输入时出错：预期 lstm_1_input 具有 3 个维度，但得到的数组具有形状 (339732, 29)
【发布时间】：2017-11-26 00:43:46
【问题描述】：

我的输入只是一个包含 339732 行和两列的 csv 文件：

第一个是 29 个特征值，即 X
第二个是二进制标签值，即 Y

我正在尝试在堆叠 LSTM 模型上训练我的数据：

data_dim = 29
timesteps = 8
num_classes = 2

model = Sequential()
model.add(LSTM(30, return_sequences=True,
               input_shape=(timesteps, data_dim)))  # returns a sequence of vectors of dimension 30
model.add(LSTM(30, return_sequences=True))  # returns a sequence of vectors of dimension 30
model.add(LSTM(30))  # return a single vector of dimension 30
model.add(Dense(1, activation='softmax'))

model.compile(loss='binary_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])

model.summary()
model.fit(X_train, y_train, batch_size = 400, epochs = 20, verbose = 1)

这会引发错误：

Traceback（最近一次调用最后一次）：文件“first_approach.py”，第 80 行，在 model.fit(X_train, y_train, batch_size = 400, epochs = 20, verbose = 1)

ValueError：检查模型输入时出错：预期 lstm_1_input 到有 3 个维度，但得到了形状为 (339732, 29) 的数组

我尝试使用 X_train.reshape((1,339732, 29)) 重塑我的输入，但它没有显示错误：

ValueError：检查模型输入时出错：预期 lstm_1_input 到有形状 (None, 8, 29) 但得到了形状 (1, 339732, 29) 的数组

如何将我的输入输入到 LSTM 中？

【问题讨论】：

你为什么使用没有时间步长的 LSTM 模型？

标签： python keras lstm recurrent-neural-network valueerror

【解决方案1】：

设置timesteps = 1（因为，我希望每个实例都有一个时间步长）并将 X_train 和 X_test 重塑为：

import numpy as np
X_train = np.reshape(X_train, (X_train.shape[0], 1, X_train.shape[1]))
X_test = np.reshape(X_test, (X_test.shape[0], 1, X_test.shape[1]))

成功了！

【讨论】：

【解决方案2】：

对于timesteps != 1，可以使用下面的函数（改编自here）

import numpy as np
def create_dataset(dataset, look_back=1):
  dataX, dataY = [], []
  for i in range(len(dataset)-look_back+1):
    a = dataset[i:(i+look_back), :]
    dataX.append(a)
    dataY.append(dataset[i + look_back - 1, :])
  return np.array(dataX), np.array(dataY)

示例

X = np.reshape(range(30),(3,10)).transpose()
array([[ 0, 10, 20],
       [ 1, 11, 21],
       [ 2, 12, 22],
       [ 3, 13, 23],
       [ 4, 14, 24],
       [ 5, 15, 25],
       [ 6, 16, 26],
       [ 7, 17, 27],
       [ 8, 18, 28],
       [ 9, 19, 29]])

create_dataset(X, look_back=1 )
(array([[[ 0, 10, 20]],
       [[ 1, 11, 21]],
       [[ 2, 12, 22]],
       [[ 3, 13, 23]],
       [[ 4, 14, 24]],
       [[ 5, 15, 25]],
       [[ 6, 16, 26]],
       [[ 7, 17, 27]],
       [[ 8, 18, 28]],
       [[ 9, 19, 29]]]),
array([[ 0, 10, 20],
       [ 1, 11, 21],
       [ 2, 12, 22],
       [ 3, 13, 23],
       [ 4, 14, 24],
       [ 5, 15, 25],
       [ 6, 16, 26],
       [ 7, 17, 27],
       [ 8, 18, 28],
       [ 9, 19, 29]]))

create_dataset(X, look_back=3)
(array([[[ 0, 10, 20],
        [ 1, 11, 21],
        [ 2, 12, 22]],
       [[ 1, 11, 21],
        [ 2, 12, 22],
        [ 3, 13, 23]],
       [[ 2, 12, 22],
        [ 3, 13, 23],
        [ 4, 14, 24]],
       [[ 3, 13, 23],
        [ 4, 14, 24],
        [ 5, 15, 25]],
       [[ 4, 14, 24],
        [ 5, 15, 25],
        [ 6, 16, 26]],
       [[ 5, 15, 25],
        [ 6, 16, 26],
        [ 7, 17, 27]],
       [[ 6, 16, 26],
        [ 7, 17, 27],
        [ 8, 18, 28]],
       [[ 7, 17, 27],
        [ 8, 18, 28],
        [ 9, 19, 29]]]),
array([[ 2, 12, 22],
       [ 3, 13, 23],
       [ 4, 14, 24],
       [ 5, 15, 25],
       [ 6, 16, 26],
       [ 7, 17, 27],
       [ 8, 18, 28],
       [ 9, 19, 29]]))

【讨论】：

当我将 create_dataset() 返回的对象传递给 model.fit() AttributeError: 'tuple' object has no attribute 'shape' 时出现此错误
create_dataset 返回一个 x, y 的元组。试试x_train, y_train = create_dataset(dataset) 然后model.fit(x_train, y_train)
我有一个输入训练集，它是一个 100 行和 50 列的 np.array。其中一些列包含浮点值，一些包含使用keras.utils.to_categorical() 构建的“热编码”，它们基本上只是数组。我对如何使用x_train 和y_train 感到困惑。我的训练标签在一个单独的数组中，输入模型只包含训练数据（首先输入到 model.fit()）
在这种情况下，只需忽略此函数中的y_train 并使用您在单独数组中已有的那个。此外，model.fit 会从这个函数和你自己的目标中获取x_train
仍然无法正常工作，我在一个模仿我的问题的问题上打开了悬赏：stackoverflow.com/questions/51469446/… 基本上在顺序层中处理包含数组和数值的训练集

【解决方案3】：

重塑 LSTM 的输入：

X = array([[10, 20, 30], [40, 50, 60], [70, 80, 90]])
X_train = X.reshape(1, 3, 3) # X.reshape(samples, timesteps, features)

【讨论】：