在 Keras 中为 LSTM 重塑批次

Posted 2023-02-16

【中文标题】在 Keras 中为 LSTM 重塑批次

【英文标题】：Reshaping a batch for LSTM in Keras

【发布时间】：2019-05-17 16:45:14

【问题描述】：

通过使用 LSTM 自动编码器，我在根据 LSTM 需求调整数据集时遇到了一些问题。 由于我正在批量训练，因此我生成了一个时间序列窗口循环 - 代码如下所示：

X_batch = np.array(file.loc[window * WINDOWS_SIZE:(window + 1) * WINDOWS_SIZE - 1], dtype="f")
print(X_batch.shape)
X_batch = np.reshape(1, WINDOWS_SIZE, cluster_feature_size)
print(X_batch.shape)
history = model.fit(X_batch, X_batch, epochs=1, verbose=False)

我的批次由 48 个数据点（WINDOWS_SIZE）和 45 个指标（cluster_feature_size 变量）组成。

我读到我需要以以下格式重塑我的数据(samples, timesteps, features)，但我在某处失败并且缺少一些信息。

我的假设是 1 个样本是 1 个批次，在一个批次中我有 48 个数据点，因此我设置了 48 个时间步长。

我目前构建的模型架构草稿如下：

model = Sequential()
model.add(LSTM(100, activation='relu', input_shape=(WINDOWS_SIZE, cluster_feature_size)))
model.add(RepeatVector(WINDOWS_SIZE))
model.add(Dense(1))
model.add(LSTM(100, activation='relu', return_sequences=True))
model.add(TimeDistributed(Dense(1)))

我遵循了一个在线教程，我仍在努力。

我得到的错误是这个，而我正在重塑：

(48, 45)
---> 17 X_batch = np.reshape(1, WINDOWS_SIZE, cluster_feature_size)
ValueError: cannot reshape array of size 1 into shape (48,)

【问题讨论】：

运行print(X_batch.shape)时X_batch = np.array(file.loc[window * WINDOWS_SIZE:(window + 1) * WINDOWS_SIZE - 1], dtype="f")的形状是什么？

你可以试试这个：(X_batch.shape[0],WINDOWS_SIZE,X_batch.shape[1])？ 1 是奇数，所以请你也给我们第一次打印好吗

感谢您的回答：我按照您的要求添加了形状的打印并修改了重塑代码，但仍然出现相同的错误：---> 17 X_batch = np.reshape(X_batch.shape[0],WINDOWS_SIZE,X_batch.shape[1])ValueError: cannot reshape array of size 1 into shape (48,)

【参考方案1】：

这里不需要重塑：

import numpy as np
X = np.random.rand(48, 45)
X = np.array([X])
print(X.shape)

给我：

>>> (1, 48, 45)

由于我不了解更多上下文，因此无法为您提供更多帮助，但这应该可以解决重塑问题。

【讨论】：

好的，谢谢，现在我可能遇到了架构错误。架构是否不符合自动编码器的目的？我刚刚在教程中找到了这些层，但我不确定它们的有效性。我只想通过利用 LSTM 单元的 AutoEncoder 创建重建。 ValueError: Error when checking target: expected time_distributed_4 to have shape (48, 1) but got array with shape (48, 45) 在运行 fit 方法时编辑：我通过在 model.add(TimeDistributed(Dense(feature_cluster_size)))

中修改`model.add(TimeDistributed(Dense(1)))` 解决了这个错误

好吧，最后的密集 1 杀死了一切。它为所有输入返回一个值然后您就没有机会找到样本。另外两层是有道理的，但我真的不能说这样做有什么意义。请务必仔细阅读教程，看看您是否没有错过任何部分。这可以是编码器，但应该使用我在这里看不到的解码器进行训练。