为什么我会收到Keras LSTM RNN input_shape错误？

Question

我不断从以下代码中获取input_shape错误。

from keras.models import Sequential
from keras.layers.core import Dense, Activation, Dropout
from keras.layers.recurrent import LSTM

def _load_data(data):
    """
    data should be pd.DataFrame()
    """
    n_prev = 10
    docX, docY = [], []
    for i in range(len(data)-n_prev):
        docX.append(data.iloc[i:i+n_prev].as_matrix())
        docY.append(data.iloc[i+n_prev].as_matrix())
    if not docX:
        pass
    else:
        alsX = np.array(docX)
        alsY = np.array(docY)
        return alsX, alsY

X, y = _load_data(dframe)
poi = int(len(X) * .8)
X_train = X[:poi]
X_test = X[poi:]
y_train = y[:poi]
y_test = y[poi:]

input_dim = 3

以上所有都顺利进行。 这是它出错的地方。

in_out_neurons = 2
hidden_neurons = 300
model = Sequential()
#model.add(Masking(mask_value=0, input_shape=(input_dim,)))
model.add(LSTM(in_out_neurons, hidden_neurons, return_sequences=False, input_shape=(len(full_data),)))
model.add(Dense(hidden_neurons, in_out_neurons))
model.add(Activation("linear"))
model.compile(loss="mean_squared_error", optimizer="rmsprop")
model.fit(X_train, y_train, nb_epoch=10, validation_split=0.05)

它返回此错误。

Exception: Invalid input shape - Layer expects input ndim=3, was provided with input shape (None, 10320)

当我检查网站时，它说要指定一个元组“（例如（100，）用于100维输入）。”

话虽这么说，我的数据集由一列长度为10320组成。我认为这意味着我应该把(10320,)作为input_shape，但我仍然得到错误。 有没有人有办法解决吗？

Answer 1

我的理解是你的输入和输出都是一维向量。 诀窍是根据Keras要求重塑它们：

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

X= np.random.rand(1000)
y = 2*X

poi = int(len(X) * .8)
X_train = X[:poi]
y_train = y[:poi]

X_test = X[poi:]
y_test = y[poi:]

# you have to change your input shape (nb_samples, timesteps, input_dim)
X_train = X_train.reshape(len(X_train), 1, 1)
# and also the output shape (note that the output *shape* is 2 dimensional)
y_train = y_train.reshape(len(y_train), 1)


#in_out_neurons = 2 
in_out_neurons = 1

hidden_neurons = 300
model = Sequential()
#model.add(Masking(mask_value=0, input_shape=(input_dim,)))
model.add(LSTM(hidden_neurons, return_sequences=False, batch_input_shape=X_train.shape))
# only specify the output dimension
model.add(Dense(in_out_neurons))
model.add(Activation("linear"))
model.compile(loss="mean_squared_error", optimizer="rmsprop")
model.fit(X_train, y_train, nb_epoch=10, validation_split=0.05)

# calculate test set MSE
preds = model.predict(X_test).reshape(len(y_test))
MSE = np.mean((preds-y_test)**2)

以下是要点：

• 添加第一个图层时，需要指定隐藏节点的数量和输入形状。 后续图层不需要输入形状，因为它们可以从前一层的隐藏节点推断出它
• 同样，对于输出层，您只需指定输出节点的数量

希望这可以帮助。

Answer 2

更多信息：当使用具有可变长度序列的RNN（如LSTM）时，您必须采用数据格式。

当您对序列进行分组以将其传递给fit方法时，keras将尝试构建样本矩阵，这意味着所有输入序列必须具有相同的大小，否则您将不具有正确维度的矩阵。

有几种可能的解决方案

1. 逐个使用样本训练您的网络（例如使用fit_generator）
2. 填充所有序列，使它们具有相同的大小
3. 按大小对序列进行分组（最终填充它们）并按组训练您的网络组（再次使用基于生成器的拟合）

第三种解决方案对应于可变大小的最常见策略。 如果你填充序列（第二或第三个解决方案），你可能想要添加一个掩蔽层作为输入。

如果您不确定，请尝试打印数据的形状（使用numpy数组的shape属性。）

您可能需要查看： https ：//keras.io/preprocessing/sequence/（pad_sequences）和https://keras.io/layers/core/#masking

Answer 3

以下是使用Keras 2.0.0 ，Modified radix代码的工作版本

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

X= np.random.rand(1000)
y = 2 * X

poi = int(len(X) * .8)
X_train = X[:poi]
y_train = y[:poi]

X_test = X[poi:]
y_test = y[poi:]

# you have to change your input shape (nb_samples, timesteps, input_dim)
X_train = X_train.reshape(len(X_train), 1, 1)
# and also the output shape (note that the output *shape* is 2 dimensional)
y_train = y_train.reshape(len(y_train), 1)

# Change test data's dimension also.
X_test = X_test.reshape(len(X_test),1,1)
y_test = y_test.reshape(len(y_test),1)


#in_out_neurons = 2
in_out_neurons = 1

hidden_neurons = 300
model = Sequential()
# model.add(Masking(mask_value=0, input_shape=(input_dim,)))
# Remove batch_input_shape and add input_shape = (1,1) - Imp change for Keras 2.0.0
model.add(LSTM(hidden_neurons, return_sequences=False, input_shape=(X_train.shape[1],X_train.shape[2])))
# only specify the output dimension
model.add(Dense(in_out_neurons))
model.add(Activation("linear"))
model.compile(loss="mean_squared_error", optimizer="rmsprop")
model.summary()
model.fit(X_train, y_train, epochs=10, validation_split=0.05)

# calculate test set MSE
preds = model.predict(X_test).reshape(len(y_test))
print(preds)
MSE = np.mean((preds-y_test)**2)
print('MSE ', MSE)

Answer 4

尝试使用LSTM图层而不指定输入形状。 让Keras为你工作。 我认为你也评论了掩蔽，因为你得到了类似的问题。 我之前遇到过它，结果是input_shape =（time_steps，input_dim）。 我认为这是因为Keras的新自动形状推断。