InvalidArgumentError：从 tensorflow v2.4 中形状为 [32,1] 的张量中指定形状为 [1,1] 的列表，但在 tensorflow v1.14 中运行良好

Question

我正在尝试进行时间序列预测，训练进展顺利，但传递相同的数据集来预测函数时出现以下错误。

InvalidArgumentError：从形状为 [32,1] 的张量中指定了一个形状为 [1,1] 的列表 [[节点顺序/lstm/TensorArrayUnstack/TensorListFromTensor]] [Op:__inference_predict_function_55827] 函数调用栈： predict_function

我使用的是 Statefull Lstm，并且相同的代码和模型在 tensorflow v1.14 中运行良好，但在 tensorflow v2.4 中运行良好。

我的 X_train.shape,y_train.shape 是 ((6191, 10, 1), (6191, 1)), X_test.shape=(6191, 10, 1) 和 batch_size=1

model = Sequential()
model.add(LSTM(10,batch_input_shape=(batch_size, int(i_shape[0]), int(i_shape[1])), 
               activation=activation,stateful=True,
               kernel_regularizer=L1L2(0.01,0.001)))

Model: "sequential_6"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
lstm_11 (LSTM)               (1, 10)                   480       
_________________________________________________________________
dense_4 (Dense)              (1, 1)                    11        
=================================================================
Total params: 491
Trainable params: 491
Non-trainable params: 0
_________________________________________________________________
None

如果需要任何其他信息，请告诉我。

Answer 1

我遇到了同样的错误。就我而言，我在 LSTM 周围使用了双向包装器。

我通过一次预测一个时间步来解决问题。

1. 创建一个将数据拆分为 X 和 Y 的函数。（我想你已经有了）

import numpy as np

def split_sequence(sequence, n_steps):
    X, y = list(), list()
    for i in range(len(sequence)):
        # find the end of this pattern
        end_ix = i + n_steps
        # check if we are beyond the sequence
        if end_ix > len(sequence)-1:
            break
        # gather input and output parts of the pattern
        seq_x, seq_y = sequence[i:end_ix], sequence[end_ix]
        X.append(seq_x)
        y.append(seq_y)
    return np.array(X), np.array(y)

1. 创建一个循环遍历 X 并进行预测的函数。

def get_predictions(model, np_input, look_back):
    X = list()
    for i in range(len(np_input)):
        #print(np_input[i])
        
        n_features = 1
        testX = np_input[i].reshape((1, look_back, n_features))
        
        #this returns one prediction that has 2 dimensions so we need to flatten
        testPredict = model.predict(testX)
        X.append(testPredict.flatten())
        
    return np.array(X)

测试split_sequence：

import numpy as np
from keras.models import load_model

raw_seq = np.array([0, 0, 0, 0, 0, 0,
                 0, 0, 0, 0, 0, 0,
                 0, 0, 0, 0, 0, 0,
                 0, 0, 0, 0, 0, 0, 1])

n_steps = 24
X, y = split_sequence(raw_seq, n_steps)

for i in range(len(X)):
    print(X[i], y[i])

n_features = 1
testX = X.reshape((X.shape[0], X.shape[1], n_features))

model = load_model("<your_model_file>")

testPredict = model.predict(testX)
print("===Prediction===")
print(testPredict)

在这个例子中，我有 24 个时间步（当然，模型是用 24 个时间步创建的），并预测第 25 个元素。因此，样本输入 (raw_seq) 共有 25 个元素。

您会注意到，如果您将一个元素添加到 raw_seq，则会再次出现错误。这意味着 model.predict 一次只能做一个预测。

测试 split_sequence 和 get_predictions：

raw_seq = np.array([0, 0, 0, 0, 0, 0,
                 0, 0, 0, 0, 0, 0,
                 0, 0, 0, 0, 0, 0,
                 0, 0, 0, 0, 0, 1, 1,
                   
                 0, 1, 0, 0, 0, 0,
                 0, 0, 0, 0, 0, 0,
                 0, 0, 0, 0, 0, 0,
                 0, 0, 0, 0, 0, 1, 2
                   
                   ])

look_back = 24
X, y = split_sequence(raw_seq, look_back)

preds = get_predictions(model, X, look_back)
print(preds)

运行代码将给出 26 个预测 preds.shape = (26, 1)

正如预期的那样，对整个数据集的预测需要很长时间。