Question

我正在尝试使用LSTM来建模多样本时间序列数据。我的输入数据具有形状（100,93,6） - 100个独立的时间序列（来自相同/相似的过程），93个时间步长，每个观察6个维度。输出形状为（100,93） - 每个独立时间序列的每个时间步长一个bool输出。（当然，这是一小部分真实数据）。但是，我无法弄清楚如何在Keras中构建这样一个网络：

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

data = np.load('sample.npz')
X = data['x']
y = data['y']
print('X shape: ',X.shape)
print('{} samples, {} time steps, {} observations at each time step, per sample\n'.format(*X.shape))

print('y shape: ',y.shape)
print('{} samples, {} time steps, boolean outcome per observation\n'.format(*y.shape))

print(X[0][2], X[0][55])
print(y[0][2], y[0][92])

X形：（100,93,6）100个样品，93个时间步，6个观察点   每个时间步，每个样本

y形状：（100,93）100个样本，93个时间步长，每个布尔结果   观察

[1.80000000e + 01 1.56000000e + 05 2.00000000e + 03 1.00000000e + 04      3.00000000e + 00 5.94000000e + 04] [0. 0. 0. 0. 0. 0。]

1.0 0.0

model = Sequential()
model.add(LSTM(output_dim=4, input_shape=(93, 6), return_sequences=False))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam')
model.fit(X, y, verbose=2)

异常：检查模型目标时出错：期望的密集_2 形状（无，1），但有阵列形状（100,93）

我相信Keras假设每个时间序列有一个输出（Y），而每个时间序列每个时间步有一个输出。如何让它在Keras中运作？

Answer 1

我错过了TimeDistributed图层.. 这有效：

model = Sequential()
model.add(LSTM(output_dim=4, input_shape=(93, 6), return_sequences=True))

model.add(TimeDistributed(Dense(1, activation='sigmoid')))
model.compile(loss='binary_crossentropy', optimizer='adam')

keras RNN 3d张量输入和2d张量输出：检查模型目标

1 个答案: