为什么 LSTM Output_shape 与 input_shape 不同答案

【问题标题】：Why LSTM Output_shape different from input_shape为什么 LSTM Output_shape 与 input_shape 不同
【发布时间】：2019-06-01 21:06:19
【问题描述】：

我有一个多层 LSTM 模型；我的问题是第一层的输出形状（不同数量的特征）与输入形状不同。因此，我无法拟合模型；抛出错误。您能解释一下为什么会发生这种情况吗？任何解决方案都将不胜感激。

trainingModel = keras.Sequential()

print('training_batch_size : ',training_batch_size, 'DataX.shape[1] : ',trainingDataX.shape[1],'DataX.shape[2] : ', trainingDataX.shape[2])

trainingModel.add(keras.layers.LSTM(numberOfNeurons
                    , batch_input_shape=(training_batch_size, trainingDataX.shape[1], trainingDataX.shape[2])
                    , return_sequences=True
                    , stateful=True
                    , dropout = keyDropOut))

for idx in range(numberOfLSTMLayers - 1):

    trainingModel.add(keras.layers.LSTM(
        numberOfNeurons
        , return_sequences= True
        , dropout = keyDropOut * (idx +1)
        ))

trainingModel.compile(optimizer='adam',loss='mean_squared_error')#,metrics=['accuracy'])

#Model Layer Shapes ========================
for layer in trainingModel.layers:

    print('Input shape', layer.input_shape)
    print('Output shape', layer.output_shape)



Output
===============
training_batch_size :  96 trainingDataX.shape[1] :  10 trainingDataX.shape[2] :  4
Model Layer Shapes
Input shape (96, 10, 4)
Output shape (96, 10, 5) *<<<THIS IS MY PROBLEM
Input shape (96, 10, 5)
Output shape (96, 10, 5)
Input shape (96, 10, 5)
Output shape (96, 10, 5)


Finally when I fit the model, it trhows error like:

ValueError: A target array with shape (2880, 10, 4) was passed for an output of shape (96, 10, 5) while using as loss `mean_squared_error`. This loss expects targets to have the same shape as the output

【问题讨论】：

没关系；解决了，LSTM的第一层应该有神经元数=特征数；即在第一层应该只有 4 个神经元，而我使用了 5 个。
目标数组第1维为2880，输出数组第96维。输入数组的样本数与标签数不匹配。
@ShubhamPanchal，感谢您的调查。输出数组 96 的第一维仅表示批量大小，所以这不是问题。无论如何让它与第一个 LSTM 层中的神经元数量 = 数量特征一起工作。

标签： tensorflow keras lstm

【解决方案1】：

在我解决问题时回答我自己的问题：LSTM 的第一层应该有神经元数量 = 特征数量；即在第一层应该只有 4 个神经元，而我使用了 5 个。

【讨论】：