ValueError：檢查輸入時出錯：預期lstm_1_input具有形狀（973，215），但數組的形狀為（61，215）

Question

嘗試通過更改許多參數來解決以下問題時，我收到多個不同的ValueErrors 。

這是一個time series problem ，我有60個商店，215個項目，1034天的數據。 我將973天的火車時間和61天的測試時間分開：

train_x = train_x.reshape((60, 973, 215))
test_x = test_x.reshape((60, 61, 215))
train_y = train_y.reshape((60, 973, 215))
test_y = test_y.reshape((60, 61, 215))

我的模特 ：

model = Sequential()
model.add(LSTM(100, input_shape=(train_x.shape[1], train_x.shape[2]), 
return_sequences='true'))
model.add(Dense(215))
model.compile(loss='mean_squared_error', optimizer='adam', metrics= 
['accuracy'])
history = model.fit(train_x, train_y, epochs=10,
                validation_data=(test_x, test_y), verbose=2, shuffle=False)

ValueError：檢查輸入時出錯：預期lstm_1_input具有形狀（973，215），但數組的形狀為（61，215）

Answer 1

您已按照時間步長（而不是樣本）拆分了數據。 您首先需要確定樣本是什么。 為了回答這個問題，我將假設它們沿着第一個軸（假設數據已被構造為有監督的時間序列問題）。

所述input_size在LSTM期望的形狀(timesteps, data_dim)作為解釋這里 ，這些尺寸必須保持相同每批。 在您的示例中，來自訓練和測試的樣本具有不同的維度。 批處理大小可以不同（除非使用batch_size參數指定）。

您的數據應沿第一個軸在訓練和測試之間划分。 這是Keras教程中的一個類似示例：

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

data_dim = 16
timesteps = 8
num_classes = 10

# expected input data shape: (batch_size, timesteps, data_dim)
model = Sequential()
model.add(LSTM(32, return_sequences=True,
               input_shape=(timesteps, data_dim)))  # returns a sequence of vectors of dimension 32
model.add(LSTM(32, return_sequences=True))  # returns a sequence of vectors of dimension 32
model.add(LSTM(32))  # return a single vector of dimension 32
model.add(Dense(10, activation='softmax'))

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

# Generate dummy training data
x_train = np.random.random((1000, timesteps, data_dim))
y_train = np.random.random((1000, num_classes))

# Generate dummy validation data
x_val = np.random.random((100, timesteps, data_dim))
y_val = np.random.random((100, num_classes))

model.fit(x_train, y_train,
          batch_size=64, epochs=5,
          validation_data=(x_val, y_val))

您會注意到，對於訓練和測試數據和x_train.shape[1] == x_val.shape[1] ， timesteps是相同的。 它是沿第一軸不同的樣本數x_train.shape[0]為1000而x_val.shape[0]為100 。