ValueError：检查输入时出错：预期 lstm_1_input 具有 3 个维度，但得到的数组具有形状 (393613, 50)

Posted 2023-03-12

【中文标题】ValueError：检查输入时出错：预期 lstm_1_input 具有 3 个维度，但得到的数组具有形状 (393613, 50)

【英文标题】：ValueError: Error when checking input: expected lstm_1_input to have 3 dimensions, but got array with shape (393613, 50)

【发布时间】：2018-08-03 17:16:34

【问题描述】：

我在 Keras 中有一个错误，我找不到解决方案。我已经搜索了整个互联网，我仍然没有答案^^ 这是我的代码。

model = Sequential()
model.add(LSTM(32, return_sequences=True, input_shape=X.values.shape))
model.add(LSTM(32, return_sequences=True))
model.add(LSTM(32))
model.add(Dense(10, activation="softmax"))
model.compile(loss="categorical_crossentropy", optimizer="adam", metrics=['accuracy'])

错误是第二行。它说“ValueError：检查输入时出错：预期 lstm_1_input 有 3 个维度，但得到了形状为 (393613, 50) 的数组” 我的 Dataframe X 的形状是正确的。 当我尝试训练模型时，会弹出错误

model.fit(X.values, Y.values, batch_size=200, epochs=10, validation_split=0.05)

我希望有人可以帮助我:-)

[编辑] 顺便提一句。这是model.summary()

---

层（类型）输出形状参数#

lstm_1 (LSTM) (无, 393613, 32) 10624

---

lstm_2 (LSTM) (无, 393613, 32) 8320

---

lstm_3 (LSTM) (无, 32) 8320

---

dense_1（密集）（无，10）330

总参数：27,594 可训练参数：27,594 不可训练参数：0

---

亲切的问候尼克拉斯。

【问题讨论】：

你能分享X的样本吗？

试试：X_train = np.reshape(X_train, (X_train.shape[0], 1, X_train.shape[1]))

pastebin.com/xfKsXUhZ

从这里得到它：***.com/questions/44704435/…

它不起作用 :( 错误：ValueError：必须通过二维输入

【参考方案1】：

在初始化第一层时，您传递 2 个值作为 input_shape =X.values.shape

keras 已经预计每批的行数为 NONE。在运行时，此值由 batch_size=（在您的情况下为 200）确定

所以基本上它在内部将第 1 层的输入形状更改为 NO_OF_FEATURES, NO_OF_ROWS_IN_DATA_SET, NO_OF_ROWS_PER_BATCH

要解决此问题，您只需将 1 个参数作为input_shape 传递，这不是功能。 Keras 已经接受 NONE 作为每批次行数的占位符。

所以input_shape=(X.values.shape[1],) 应该可以解决问题。

model.add(LSTM(32, return_sequences=True, input_shape=(X.values.shape[1],)))

【参考方案2】：

你犯了两个错误：

LSTM 处理顺序数据。也就是说 LSTM 的输入数据是 3 维的。在您的第一个 lstm 层中，您设置 input_shape = X.values.shape 这是错误的，因为 input_shape 您必须指定时间步数和特征数，即 input_shape = (num_time_steps,num_features)。您的数组行不是您的时间步长。这些行基本上表示批号。就语法而言，这仍然是正确的，并且在编译代码时不会出现任何错误。

你必须重塑你的数据集，使其成为 3 维的，即 batch_size、time_step、feature。你可以很容易地使用 numpy.reshape 如下：

X_train_arr = numpy.reshape(X.values,(X.values.shape[0],1,X.values.shape[1]))

这是假设您只有一个时间步长。如果你有更多的时间步 你需要做更多的调整。