将 2d 张量转换为 3d 以用于 LSTM 层

Question

我正在构建一个小程序来预测一维浮点数组中的一些浮点数。到目前为止，我一直在使用dense 层来实现这一点：

const model = sequential();
model.add(layers.dense({units: 32, inputShape: [numCols,]}));
model.add(layers.activation({activation: 'relu'}));
model.add(layers.dense({units: 4}));
model.add(layers.dense({units: 1}));

我的xs 输入形状是[numRows, numCols]（例如[132, 100] - 在包含 132 个示例的数据集中：[[1, 2, 3, ...], [4, 5, 6, ... ], ...]) 并且我的ys 输出是单个值[num]（例如[17.50]）。

但我想尝试 LSTM 来测试它是否会表现得更好。问题是 LSTM 的层需要一个 3d 矩阵，我不知道该怎么做。

我尝试了以下方法：

const trainXs = xs.clone()
  .reshape([numRows, numCols, 1]);

以上将我的输入[[1, 2, 3, ...], [4, 5, 6, ...], ...] 转换为[[[1], [2], [3], ...], [[4], [5], [6], ...], ...]。

还有层：

const model = sequential();
model.add(layers.simpleRNN({
  units: 32,
  inputShape: [numCols, numRows], // [100, 132]
  recurrentInitializer: 'glorotNormal',
  returnSequences: true
}));
model.add(layers.simpleRNN({
  units: 32,
  recurrentInitializer: 'glorotNormal',
  returnSequences: true
}));

但上述操作会失败并出现以下错误：

Error: Error when checking input: expected simple_rnn_SimpleRNN1_input to have shape [,100,132], but got array with shape [132,100,1].

我有点困惑，我不确定我应该如何重塑我的 2d 张量以适应 LSTM 层的要求。

更新：

合适的电话：

model.fit(trainXs, trainYs, {
  epochs: 1000,
  batchSize: 12,
  validationData: [testXs, testYs] // Test data has the same shape as trainXs/trainYs
});

我现在只有一层：

model.add(layers.simpleRNN({
  units: 32,
  inputShape: [1, numCols, numRows],
  recurrentInitializer: 'glorotNormal',
  returnSequences: true
}));

Answer 1

参考说：

输入的形状（不包括第一个批次维度）需要至少是二维的，第一个维度是时间步长。

所以输入的第一个维度应该包含时间步长。为简单起见，只需使用 1。因此，在您的情况下，传递给单元格的张量的形状将是 [1, numCols, numRows]，正如您已经在错误消息中得到的那样。