我学习Keras LSTM - 现在尝试了解数据输入形状和准备。对于我的例子 - 我想要用1000个int序列学习LSTM。每个序列的长度为5.如果第一个元素为1，则Y为1，否则为0 例如输入序列 - ＆gt; 1 0 0 0 0，输出1， 输入序列0 0 0 0 0输出0.开头非常简单。
我准备数据 - 1000个样本，5个步骤，1个特征
x_train = np.zeros((1000, 5, 1), dtype=np.int32)
x_train[0:500, 0, 0] = 1
x_test = np.zeros((300, 5, 1), dtype=np.int32)
x_test[0:150, 0, 0] = 1
y_train = np.zeros((1000, 1), dtype=np.int32)
y_train[0:500, 0] = 1
y_test = np.zeros((300, 1), dtype=np.int32)
y_test[0:150, 0] = 1
并创建了模型
model = Sequential()
model.add(LSTM(10, input_shape=(5, 1), return_sequences=False, stateful=False))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(x_train, y_train, batch_size=1000)
score, acc = model.evaluate(x_test, y_test, batch_size=300, verbose=0)
并运行
Epoch 1/10
1000/1000 [==============================] - 0s - loss: 0.6790 - acc: 1.0000
Epoch 2/10
1000/1000 [==============================] - 0s - loss: 0.6786 - acc: 1.0000
Epoch 3/10
1000/1000 [==============================] - 0s - loss: 0.6782 - acc: 1.0000
Epoch 4/10
1000/1000 [==============================] - 0s - loss: 0.6778 - acc: 1.0000
Epoch 5/10
1000/1000 [==============================] - 0s - loss: 0.6774 - acc: 1.0000
Epoch 6/10
1000/1000 [==============================] - 0s - loss: 0.6770 - acc: 1.0000
Epoch 7/10
1000/1000 [==============================] - 0s - loss: 0.6766 - acc: 1.0000
Epoch 8/10
1000/1000 [==============================] - 0s - loss: 0.6762 - acc: 1.0000
Epoch 9/10
1000/1000 [==============================] - 0s - loss: 0.6757 - acc: 1.0000
Epoch 10/10
1000/1000 [==============================] - 0s - loss: 0.6753 - acc: 1.0000
我有感觉我做错了或X或Y数据。请查看代码和输出 - 我试着按照文档 - 输入张量形状为[样本，时间步长，功能]
所以我有1000个样本，5个时间步长，1个特征 - 对吗？
Y日期只有1000个样本和1个结果 - 所以1000x1矩阵。
如果在数据准备方面存在一些误解，请提供建议。
如果数据正常，我会继续使用有状态LSTM