python - ValueError : Error when checking input: expected lstm_1_input to have shape (973, 215) 但得到形状为 (61, 215) 的数组

Question

当我尝试通过更改许多参数来解决以下问题时，我收到了多个不同的 ValueErrors。

这是一个时间序列问题，我有 60 个商店、215 个商品、1034 天的数据。我划分了 973 天用于训练，61 天用于测试。:

train_x = train_x.reshape((60, 973, 215))
test_x = test_x.reshape((60, 61, 215))
train_y = train_y.reshape((60, 973, 215))
test_y = test_y.reshape((60, 61, 215))

我的模型:

model = Sequential()
model.add(LSTM(100, input_shape=(train_x.shape[1], train_x.shape[2]), 
return_sequences='true'))
model.add(Dense(215))
model.compile(loss='mean_squared_error', optimizer='adam', metrics= 
['accuracy'])
history = model.fit(train_x, train_y, epochs=10,
                validation_data=(test_x, test_y), verbose=2, shuffle=False)

ValueError: Error when checking input: expected lstm_1_input to have shape (973, 215) but got array with shape (61, 215)

Answer 1

您已根据时间步长(而不是样本)分割数据。您需要首先决定您的样本是什么。为了得到答案，我假设它们沿着第一个轴(假设数据已被构建为监督时间序列问题)。

LSTM 中的 input_size 需要 (timesteps, data_dim) 的形状，如所述 here ，并且每个批处理的这些尺寸必须保持相同。在您的示例中，训练和测试的样本具有不同的维度。批量大小可以不同(除非使用 batch_size 参数指定)。

您的数据应沿第一个轴划分为训练和测试。以下是 Keras 教程中的一个类似示例:

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

data_dim = 16
timesteps = 8
num_classes = 10

# expected input data shape: (batch_size, timesteps, data_dim)
model = Sequential()
model.add(LSTM(32, return_sequences=True,
               input_shape=(timesteps, data_dim)))  # returns a sequence of vectors of dimension 32
model.add(LSTM(32, return_sequences=True))  # returns a sequence of vectors of dimension 32
model.add(LSTM(32))  # return a single vector of dimension 32
model.add(Dense(10, activation='softmax'))

model.compile(loss='categorical_crossentropy',
              optimizer='rmsprop',
              metrics=['accuracy'])

# Generate dummy training data
x_train = np.random.random((1000, timesteps, data_dim))
y_train = np.random.random((1000, num_classes))

# Generate dummy validation data
x_val = np.random.random((100, timesteps, data_dim))
y_val = np.random.random((100, num_classes))

model.fit(x_train, y_train,
          batch_size=64, epochs=5,
          validation_data=(x_val, y_val))

您会注意到训练和测试数据的timesteps 以及x_train.shape[1] == x_val.shape[1] 是相同的。它是沿第一个轴 x_train.shape[0] 不同的样本数量，为 1000 且 x_val.shape[0] 为 100。