LSTM 输入形状错误：输入 0 与层序号_1 不兼容

Question

我是机器学习和 keras 的新手。我试图为我的分类问题创建一个 LSTM 模型，但我收到了这个错误：（我从互联网上得到了几个样本并试图修改它们）

ValueError：输入 0 与层序号_1 不兼容：预期形状=（无，无，30），发现形状=[无，3，1]

这就是我需要的，我有一个像 1,2,3,4 这样的序列，其中 1,2,3 是我的 X_train，4 是标签（Y），所以 我的意思是时间步长是 3 和每个人只有一个特点

我的标签有 30 个类。所以我希望输出是这 30 个类之一。 64 是内存单元的数量。

这是我的代码

def get_lstm():
    model = Sequential()  
    model.add(LSTM(64, input_shape=(3, 30), return_sequences=True))  
    model.add(LSTM(64))  
    model.add(Dropout(0.2))  
    model.add(Dense(30, activation='softmax'))

X_train = user_data[:, 0:3]
X_train = np.asarray(X_train).astype(np.float32)  
X_train = np.reshape(X_train, (X_train.shape[0], X_train.shape[1], 1))
Y_train = user_data[:, 3]    
Y_train = np.asarray(Y_train).astype(np.float32)
local_model = Mymodel.get_lstm()  
local_model.compile(loss="categorical_crossentropy", optimizer="adam", metrics=['accuracy'])
local_model.set_weights(global_weights)           
local_model.fit(X_train, Y_train, batch_size=32,
                                        epochs=1)

如果您需要更多信息或不清楚，请告诉我。我真的需要你们的帮助，谢谢

Answer 1

不确定为什么要将第一个 LSTM 的输入形状设置为 (3,30)。正如你提到的 -

这就是我需要的，我有一个像这样的序列 1,2,3,4，其中 1,2,3 是我的 X_train，4 是标签（Y）。 所以我的意思是时间步长为 3，每个只有一个特征

如果您有 3 个时间步，并且只有一个特征，那么您应该这样定义每个序列。

此外，由于模型将始终输出 30 长度的概率分布，但您的 y_train 是单个值（在唯一的 30 个类别中），您需要使用损失 sparse_categorical_crossentropy 而不是 categorical_crossentropy。 Read more here.

from tensorflow.keras import layers, Model, utils

#Dummy data and its shapes
X = np.random.random((100,3,1)) #(100,3,1)
y = np.random.randint(0,29,(100,)) #(100,)

#Design model
inp = layers.Input((3,1))
x = layers.LSTM(64, return_sequences=True)(inp)
x = layers.LSTM(64)(x)
x = layers.Dropout(0.2)(x)
out = layers.Dense(30, activation='softmax')(x)
model = Model(inp, out)

#Compile and fit
model.compile(loss="sparse_categorical_crossentropy", optimizer="adam", metrics=['accuracy'])
model.fit(X, y, batch_size=32,epochs=3)

Epoch 1/3
4/4 [==============================] - 0s 4ms/step - loss: 3.4005 - accuracy: 0.0400
Epoch 2/3
4/4 [==============================] - 0s 5ms/step - loss: 3.3953 - accuracy: 0.0700
Epoch 3/3
4/4 [==============================] - 0s 8ms/step - loss: 3.3902 - accuracy: 0.0900

utils.plot_model(model, show_layer_names=False, show_shapes=True)