时间戳

首页 > 解决方案 > ValueError：检查输入时出错：预期 lstm_1_input 的形状为 (973, 215)，但得到的数组的形状为 (61, 215)

python - ValueError：检查输入时出错：预期 lstm_1_input 的形状为 (973, 215)，但得到的数组的形状为 (61, 215)

问题描述

ValueErrors在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问题。

这是一个time series problem，我有来自 60 家商店、215 件商品、1034 天的数据。我已经将 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：检查输入时出错：预期 lstm_1_input 的形状为 (973, 215)，但得到的数组的形状为 (61, 215)

标签： pythontensorflowkerastime-serieslstm

解决方案

您已根据时间步长而不是样本拆分数据。您需要首先确定您的样本是什么。为了回答，我将假设这些是沿着第一个轴（假设数据已被构建为有监督的时间序列问题）。

LSTM 中的input_sizeLSTM 期望的形状如此处所述(timesteps, data_dim)，并且这些尺寸对于每批必须保持相同。在您的示例中，来自训练和测试的样本具有不同的维度。批量大小可以不同（除非使用参数指定）。batch_size

您的数据应沿第一个轴在训练和测试之间进行拆分。这是 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timesteps训练和测试数据和x_train.shape[1] == x_val.shape[1]. 它是沿第一个轴不同的样本数x_train.shape[0]is1000和x_val.shape[0]is 100。

推荐阅读