Keras 有状态的 LSTM 错误答案

【问题标题】：Keras stateful LSTM errorKeras 有状态的 LSTM 错误
【发布时间】：2026-01-03 17:05:02
【问题描述】：

我想在 keras 中创建有状态的 LSTM。我给了它一个这样的命令：

model.add(LSTM(300,input_dim=4,activation='tanh',stateful=True,batch_input_shape=(19,13,4),return_sequences=True))

其中批量大小=19。但是运行时会报错

 Exception: In a stateful network, you should only pass inputs with a number of samples that can be divided by the batch size. Found: 8816 samples. Batch size: 32.

我没有在脚本中的任何地方指定批处理大小 32，而 19 可以被 8816 整除

【问题讨论】：

标签： keras lstm

【解决方案1】：

model.fit() 进行批处理（例如，与 model.train_on_batch 相反）。因此它有一个batch_size 参数，默认为 32。

将此更改为您的输入批量大小，它应该可以按预期工作。

例子：

batch_size = 19

model = Sequential()
model.add(LSTM(300,input_dim=4,activation='tanh',stateful=True,batch_input_shape=(19,13,4),return_sequences=True))

model.fit(x, y, batch_size=batch_size)

【讨论】：

那么你应该用一个复制错误的最小工作示例来更新你的问题。
如果你使用validation_data，那里的样本数也必须能被batch_size整除。

【解决方案2】：

有两种情况可能会出现 batch_size 错误。

model.fit(train_x, train_y, batch_size= n_batch, shuffle=True,verbose=2)
trainPredict = model.predict(train_x, batch_size=n_batch) 或 testPredict = model.predict(test_x,batch_size=n_batch)

在这两种情况下，您都必须提及不。批次。

注意：我们需要同时预测训练和测试，因此最佳做法是将测试和训练分开，使您的批量大小是两者的倍数 stateful=True案例

【讨论】：

【解决方案3】：

动态调整数据和批次的大小：

大小数据和训练样本拆分：

data_size = int(len(supervised_values))
train_size_initial = int(data_size * train_split)
x_samples = supervised_values[-data_size:, :]

训练样本的大小到批量大小：

if train_size_initial < batch_size_div:
    batch_size = 1
else:
    batch_size = int(train_size_initial / batch_size_div)
train_size = int(int(train_size_initial / batch_size) * batch_size)  # provide even division of training / batches
val_size = int(int((data_size - train_size) / batch_size) * batch_size)  # provide even division of val / batches
print('Data Size: {}  Train Size: {}   Batch Size: {}'.format(data_size, train_size, batch_size))

将数据拆分为训练集和验证集

train, val = x_samples[0:train_size, 0:-1], x_samples[train_size:train_size + val_size, 0:-1]

【讨论】：

【解决方案4】：

训练和验证数据都需要被批量大小整除。确保使用批量大小的模型的任何部分都采用相同的数字（例如，LSTM 层中的batch_input_shape，model.fit() 和model.predict() 中的batch_size。如果需要，对训练和验证数据进行下采样这项工作。

例如

>>> batch_size = 100
>>> print(x_samples_train.shape)
>>> print(x_samples_validation.shape)
    (42028, 24, 14)
    (10451, 24, 14) 

# Down-sample so training and validation are both divisible by batch_size
>>> x_samples_train_ds = x_samples_train[-42000:]
>>> print(x_samples_train_ds.shape)
>>> y_samples_train_ds = y_samples_train[-42000:]
>>> print(y_samples_train_ds.shape)
    (42000, 24, 14)
    (42000,)
>>> x_samples_validation_ds = x_samples_validation[-10000:]
>>> print(x_samples_validation_ds.shape)
>>> y_samples_validation_ds = y_samples_validation[-10000:]
>>> print(y_samples_validation_ds.shape)
    (10000, 24, 14)
    (10000,)

【讨论】：