keras RNN 3d 张量输入和 2d 张量输出：检查模型目标时出错

Question

我正在尝试使用 LSTM 对多样本时间序列数据进行建模。我的输入数据具有形状 (100, 93, 6) - 100 个独立的时间序列（来自相同/相似的过程），93 个时间步长，每个观察的 6 个维度。输出形状为 (100, 93) - 每个独立时间序列的每个时间步长一个布尔输出。 （当然，这是一小部分真实数据）。但是，我不知道如何在 Keras 中构建这样的网络：

from keras.models import Sequential
from keras.layers import LSTM, core, Activation, Dense
import numpy as np

data = np.load('sample.npz')
X = data['x']
y = data['y']
print('X shape: ',X.shape)
print('{} samples, {} time steps, {} observations at each time step, per sample\n'.format(*X.shape))

print('y shape: ',y.shape)
print('{} samples, {} time steps, boolean outcome per observation\n'.format(*y.shape))

print(X[0][2], X[0][55])
print(y[0][2], y[0][92])

X 形状：(100, 93, 6) 100 个样本，93 个时间步长，6 个观测值 每个时间步，每个样本

y 形状：(100, 93) 100 个样本，93 个时间步长，每个布尔结果 观察

[ 1.80000000e+01 1.56000000e+05 2.00000000e+03 1.00000000e+04 3.00000000e+00 5.94000000e+04] [ 0. 0. 0. 0. 0. 0.]

1.0 0.0

model = Sequential()
model.add(LSTM(output_dim=4, input_shape=(93, 6), return_sequences=False))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam')
model.fit(X, y, verbose=2)

异常：检查模型目标时出错：预期的 dense_2 有 形状 (None, 1) 但得到了形状 (100, 93) 的数组

我相信 Keras 假设每个时间序列有一个输出 (Y)，而每个时间序列的每个时间步长有一个输出。如何让它在 Keras 中工作？

Answer 1

我错过了TimeDistributed Layer.. 这有效：

model = Sequential()
model.add(LSTM(output_dim=4, input_shape=(93, 6), return_sequences=True))

model.add(TimeDistributed(Dense(1, activation='sigmoid')))
model.compile(loss='binary_crossentropy', optimizer='adam')