ValueError：输入 0 与层 lstm_13 不兼容：预期 ndim=3，发现 ndim=4

Posted 2023-02-16

【中文标题】ValueError：输入 0 与层 lstm_13 不兼容：预期 ndim=3，发现 ndim=4

【英文标题】：ValueError: Input 0 is incompatible with layer lstm_13: expected ndim=3, found ndim=4

【发布时间】：2017-11-18 21:03:23

【问题描述】：

我正在尝试进行多类分类，以下是我的训练输入和输出的详细信息：

train_input.shape= (1, 95000, 360) (95000 长度的输入数组，每个 元素是一个 360 长度的数组）

train_output.shape = (1, 95000, 22)（有 22 个类）

model = Sequential()

model.add(LSTM(22, input_shape=(1, 95000,360)))
model.add(Dense(22, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
print(model.summary())
model.fit(train_input, train_output, epochs=2, batch_size=500)

错误是：

ValueError: Input 0 is in compatible with layer lstm_13: expected ndim=3, found ndim=4 排队： model.add(LSTM(22, input_shape=(1, 95000,360)))

请帮帮我，我无法通过其他答案解决。

【问题讨论】：

这里是为 LSTM/RNN 创建数据的最快和正确的方法：***.com/a/62570576/10375049

【参考方案1】：

我解决了这个问题

输入大小：(95000,360,1) 和 输出大小：(95000,22)

并在定义模型的代码中将输入形状更改为(360,1)：

model = Sequential()
model.add(LSTM(22, input_shape=(360,1)))
model.add(Dense(22, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
print(model.summary())
model.fit(ml2_train_input, ml2_train_output_enc, epochs=2, batch_size=500)

【参考方案2】：

input_shape 应该是（时间步长，n_features）。删除第一个维度。

input_shape = (95000,360)

输出相同。

【讨论】：

不，这也给出了一些错误，例如：None,95000,360 but found 1,95000,360

这是您输入数据形状的问题。第一个维度应该是每个样本。您的输入应该是（n_samples、timesteps、n_features）。查看您的其他评论， 95000 是您的 n_samples 而不是您的时间步长。如果您只有一个具有 360 个时间步长的特征，那么您提出的特征就是正确的格式。

好的，我的输入有 360-360 个块（我想将其视为特征），所以输入的形状应该是什么，里面应该写什么->model. add(LSTM(22, input_shape=(?)))

我需要知道您的输入是什么。是时间序列吗？你观察了多少个不同的变量？我给你举个例子：如果我为了预测天气（1 = 好，0 = 坏）而观察每小时 24 小时的降雨量和温度，我会这样做 365 天，我会有 365 个样本，每个样本有 24 个时间步长和 2 个变量（一个代表下雨，一个代表温度），所以我的输入将具有形状 (365, 24, 2) 和 input_shape = (24, 2) .

我的输入是一个 big 数组数组，big 数组中的每个数组共有 360 个信号值，这 360 个块是分类为“L”心律失常或“R”心律失常等或正常。并且有 95000 个这样的数组，big 数组包含所有这 95000 个样本（初始形状：95000,360），并且经过一次热编码后的输出具有形状：（95000,22），因为有 21 种类型心律失常和 1 正常

【参考方案3】：

嗯，我认为主要问题在于网络中的return_sequences 参数。对于最后一层，该超参数应设置为False，对于最后一层，应设置为true其他上一层。

【讨论】：

添加到这个答案：通常如果错误在第一层 - 那么问题可能出在input_shape。如果问题出在其他层，那么问题可能在于您需要设置return_sequences -True

【参考方案4】：

在人工神经网络 (ANN) 中，输入的形状为 (N,D)，其中 N 是样本数，D 是特征数。

在 RNN、GRU 和 LSTM 中，输入的形状为 (N,T,D)，其中 N 是样本数，T 是时间序列长度，D 是特征数。

所以，在添加图层的同时

ANN 的输入（shape = (D,)) 和 RNN、GRU 和 LSTM 的输入（shape = (T,D))

【参考方案5】：

加起来上面的答案， return_sequences不应该在所有层都设置为True，只是不要在最后一层设置，并省略return_sequences=True