如何将 MLP 的数据调整为 LSTM（预期 ndim=3，发现 ndim=2 错误）

Question

我有在多层感知器架构上工作的数据看起来像这样X_train_feature.shape(52594, 16)X_train_feature[0]array([1.18867208e-03, 1.00000000e+00, 8.90000000e+01, 8.00000000e+00,       0.00000000e+00, 0.00000000e+00, 0.00000000e+00, 0.00000000e+00,       0.00000000e+00, 0.00000000e+00, 0.00000000e+00, 0.00000000e+00,       0.00000000e+00, 0.00000000e+00, 0.00000000e+00, 0.00000000e+00])y_train(52594, 2)y_train[0].toarray()array([[0., 1.]])第一个维度：样本数，第二个维度：X_train 是特征的数量，y_train 是 one-hot 编码器。我想在 LSTM/Bi-LSTM 上使用相同的数据，所以我从互联网上复制代码并将输入值更改为与 MLP 相同def define_model():    model = Sequential()    model.add(LSTM(20, input_shape=X_train_feature[0].shape, return_sequences=True))    model.add(TimeDistributed(Dense(1, activation='sigmoid')))    model.compile(loss='categorical_crossentropy', optimizer='rmsprop', metrics=['accuracy'])  # compile    print('Total params: ', model.count_params())    return model但是当我尝试创建模型时，将附加有关输入形状的错误model = define_model()ValueError: Input 0 is incompatible with layer lstm_30: expected ndim=3, found ndim=2我需要调整我的数据以应用于 LSTM 还是需要更改架构配置？太感谢了。

Answer 1

LSTM（与感知器不同）不是前馈网络。它需要历史来预测下一点。因此，LSTM 的适当输入张量应该具有形状(timesteps, num_features)，这意味着每个样本都是一系列timesteps观察结果，使得细胞状态在序列的第一次观察中启动并贯穿整个序列。

因此，输入张量应具有以下形状(num_sequences, seq_length, num_features)：

• num_sequences：样本数，即你需要多少个序列来训练模型？

• seq_length: 这些序列有多长。对于可变长度序列，您可以提供None.

• num_features: 在给定的序列中有多少个特征有一个单一的观察？

Answer 2

LSTM 层的输入是一个 3d 张量，形状为 (data_length, timesteps, n_features)

为此，您首先必须使用以下方式转换数据：

   def slice_data(self, data, n_steps, n_ahead=1):

        X_data = data.drop(['y'], axis=1)

        y_data = data['y']

        X = []

        y = []

        for i in range(len(X_data)):

            end_point = i + n_steps

            if end_point + n_ahead > len(X_data)-1:

                break

            slice_x, slice_y = X_data[i:end_point], y_data.loc[end_point]

            X.append(slice_x)

            y.append(slice_y)

        X, y = np.array(X), np.array(y)

        self.n_features = X.shape[2]

        X = X.reshape((X.shape[0], X.shape[1], X.shape[2]))

        return X, y

或者您可以使用我自己制作的工具：EasyLSTM EasyLSTM 只需一行代码即可将您的输入数组塑造成对 LSTM 友好的数组