用於多元時間序列的LSTM輸入形狀？

Question

我知道這個問題已經問過很多次了，但是我確實無法解決我的情況下的這種輸入形狀問題。

我的x_train shape ==（5523000，13）//（13個時間序列的長度5523000）

我的y_train形狀==（5523000，1）

類數== 2

重塑x_train和y_train：

x_train= x_train.values.reshape(27615,200,13)  # 5523000/200 = 27615
y_train= y_train.values.reshape((5523000,1))   # I know I have a problem here but I dont know how to fix it

這是我的lstm網絡：

def lstm_baseline(x_train, y_train):
    batch_size=200
    model = Sequential()
    model.add(LSTM(batch_size, input_shape=(27615,200,13),
                   activation='relu', return_sequences=True))
    model.add(Dropout(0.2))

    model.add(LSTM(128, activation='relu'))
    model.add(Dropout(0.1))

    model.add(Dense(32, activation='relu'))
    model.add(Dropout(0.2))

    model.add(Dense(1, activation='softmax'))

    model.compile(
        loss='categorical_crossentropy',
        optimizer='rmsprop',
        metrics=['accuracy'])

    model.fit(x_train,y_train, epochs= 15)

    return model

每當我運行代碼時，都會出現此錯誤：

ValueError：輸入0與層lstm_10不兼容：預期ndim = 3，找到的ndim = 4

我的問題是我在這里想念的是什么？

PS：該項目的想法是，我有13個來自人體13個點的信號，我想用它們來檢測某種類型的疾病（一種喚醒）。 通過使用LSTM，我希望我的模型根據這13個信號來定位具有喚醒功能的區域。

。

整個數據為993位患者，每位患者我都使用13個信號來檢測疾病區域。

如果要我將數據放入3D尺寸中：

(500000 ,13, 993) 500000，13，993 (500000 ,13, 993) ＃（nb_recods，nb_signals，nb_ Patient）

對於每個患者，我對13個信號有500000次觀察。 nb_ Patient是993

值得注意的是，500000大小無關緊要！ 因為我可以讓患者得到更多或更少的觀察結果。

更新：這是一名患者的樣本數據。

這是我的數據前2000行的一大塊

Answer 1

您可以嘗試以下修改：

x_train = x_train.reshape(1999, 1, 13)
# double-check dimensions
x_train.shape

def lstm_baseline(x_train, y_train, batch_size):
    model = Sequential()
    model.add(LSTM(batch_size, input_shape=(None, 13),
                   activation='relu', return_sequences=True))
    model.add(Dropout(0.2))

    model.add(LSTM(128, activation='relu'))
    model.add(Dropout(0.1))

    model.add(Dense(32, activation='relu'))
    model.add(Dropout(0.2))

    model.add(Dense(1, activation='softmax'))

    model.compile(
        loss='binary_crossentropy',
        optimizer='adam',
        metrics=['accuracy'])

    return model    

Answer 2

好的，我對您的代碼做了一些更改。 首先，我現在仍然不了解嘗試重塑數據時使用“ 200”表示什么，因此，我將為您提供一個有效的代碼，讓我們看看是否可以使用它或可以對其進行修改以使代碼正常工作。 輸入數據的大小和目標必須匹配。 輸入x_train的行數為27615（x_train [0] = 27615的含義），目標集y_train的值為5523000。

我從您為該示例提供的數據示例中獲取了前兩行：

x_sample = [[-17,  -7, -7,  0, -5, -18, 73, 9, -282, 28550, 67],
            [-21, -16, -7, -6, -8,  15, 60, 6, -239, 28550, 94]]

y_sample = [0, 0]

讓我們重塑x_sample ：

x_train = np.array(example)

#Here x_train.shape = (2,11), we want to reshape it to (2,11,1) to
#fit the network's input dimension
x_train = x_train.reshape(x_train.shape[0], x_train.shape[1], 1)

您正在使用分類損失，因此必須將目標更改為分類（檢查https://keras.io/utils/ ）

y_train = np.array(target)
y_train = to_categorical(y_train, 2)

現在您有兩個類別，在您提供的所有目標值均為0的數據中，我假設有兩個類別，所以我不知道目標可以采用多少個可能的值。 如果目標可以取4個可能的值，則to_categorical函數中的類別數將為4。最后一個密集層的每個輸出將代表一個類別，並且該輸出的值即您的輸入屬於該類別的概率。

現在，我們只需要稍微修改您的LSTM模型即可：

def lstm_baseline(x_train, y_train):
   batch_size = 200
   model = Sequential()
   #We are gonna change input shape for input_dim
   model.add(LSTM(batch_size, input_dim=1,
                  activation='relu', return_sequences=True))
   model.add(Dropout(0.2))

   model.add(LSTM(128, activation='relu'))
   model.add(Dropout(0.1))

   model.add(Dense(32, activation='relu'))
   model.add(Dropout(0.2))

   #We are gonna set the number of outputs to 2, to match with the
   #number of categories
   model.add(Dense(2, activation='softmax'))

   model.compile(
       loss='categorical_crossentropy',
       optimizer='rmsprop',
       metrics=['accuracy'])

   model.fit(x_train, y_train, epochs=15)

return model