Keras LSTM TensorFlow錯誤：“形狀必須等於等級，但必須為1和0”

Question

我正在嘗試創建Keras LSTM（請注意，我是Keras中的LSTM和RNN的新手）。 該神經網絡應該接受4116個值的輸入，並輸出4116個值。 這將執行288個時間步。 我有27個這樣的時間步長（我意識到這可能會導致過擬合；我有一個更大的數據集，但首先想僅使用27個訓練示例來測試我的代碼）。

訓練數據存儲在兩個numpy數組x和y 。 這些變量的形狀為(27, 288, 4116) 。

我的代碼：

datapoints = data.get.monthPoints(2, year)
x, y = datapoints[:-1], datapoints[1:]
del datapoints

input_shape = x.shape[1:]
output_shape = y.shape[1:]

checkpoint = ModelCheckpoint('model/files/alpha.h5', monitor='val_loss', verbose=1, save_best_only=True, mode='auto', period=1)
early = EarlyStopping(monitor='val_loss', min_delta=0, patience=1, verbose=1, mode='auto')

model = Sequential()
model.add(LSTM(5488, activation='relu', input_shape=input_shape))
model.add(RepeatVector(output_shape))
model.add(LSTM(5488, activation='relu', return_sequences=True))
model.add(TimeDistributed(Dense(output_shape)))

model.compile(loss='mse', optimizer='adam')
model.fit(x, y, epochs=100, batch_size=8, callbacks = [checkpoint, early])

運行程序時，出現以下錯誤：

tensorflow.python.framework.errors_impl.InvalidArgumentError: Shapes must be equal rank, but are 1 and 0
        From merging shape 1 with other shapes. for 'repeat_vector/stack_1' (op: 'Pack') with input shapes: [], [2], []

和

During handling of the above exception, another exception occurred:
ValueError: Shapes must be equal rank, but are 1 and 0
        From merging shape 1 with other shapes. for 'repeat_vector/stack_1' (op: 'Pack') with input shapes: [], [2], []

我還看到了其他類似的問題，例如this和this ，但是他們沒有提供解決我的問題的解決方案，或者解決方案不清楚。

我猜我的問題與我錯誤地構建網絡或錯誤格式化數據有關。

任何見解，我將不勝感激。

謝謝。

Answer 1

您可能希望重復第一LSTM層的輸出，其重復次數與模型輸出序列中的時間步長相同（即y ）。 因此，應為：

model.add(RepeatVector(y.shape[1]))

Answer 2

您的代碼中有兩個問題。 首先，在RepeatVector您要通過傳遞y.shape [1：]發送一個列表。 在RepeatVector您應該發送一個整數。

第二個問題是在TimeDistributed 。 發送您希望重復第二維的次數。 因此，您的代碼應為：

repeat_vector_units = x.shape[1]
output_units = x.shape[2]

model = Sequential()
model.add(LSTM(5488, activation='relu', input_shape=input_shape))
model.add(RepeatVector(repeat_vector_units))        ### Change here
model.add(LSTM(5488, activation='relu', return_sequences=True))
model.add(TimeDistributed(Dense(output_units)))     #### Change here