使用Keras了解LSTM中的input_shape参数

我正在尝试使用Keras文档中描述的名为“用于序列分类的堆叠式LSTM” 的示例（请参见下面的代码），并且无法input_shape在我的数据上下文中找出参数。

我输入了一个由25个可能的字符组成的序列矩阵，以整数编码为最大长度为31的填充序列。因此，my x_train具有形状(1085420, 31)含义(n_observations, sequence_length)。

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))

此代码x_train中的形状(1000, 8, 16)为16个元素的8个数组的1000个数组。在那里，我完全迷失了什么是什么以及如何使数据达到这种形状。

查看Keras文档以及各种教程和问答，看来我缺少明显的东西。有人可以提示我要寻找什么吗？

谢谢你的帮助 ！

LSTM形状很坚硬，所以不会感到难受，我不得不花几天的时间自己与它们战斗：

如果您一次要输入1个字符的数据，则您的输入形状应为（31,1），因为您的输入有31个时间步长，每个时间步长为1个字符。您将需要将x_train从（1085420，31）重塑为（1085420，31,1），这很容易通过以下命令完成：

 x_train=x_train.reshape(x_train.shape[0],x_train.shape[1],1))

检查此git仓库LSTM Keras汇总图，我相信您应该一切都清楚了。

此git repo包含Keras LSTM摘要图，该图显示：

• 使用的参数一样return_sequences，batch_size，time_step...
• lstm层的真实结构
• 喀拉拉邦这些层的概念
• 如何操纵您的输入和输出数据以符合模型要求如何堆叠LSTM的层

和更多

我知道这不是您问题的直接答案。这是一个只有一个LSTM单元的简化示例，有助于我了解输入数据的重塑操作。

from keras.models import Model
from keras.layers import Input
from keras.layers import LSTM
import numpy as np

# define model
inputs1 = Input(shape=(2, 3))
lstm1, state_h, state_c = LSTM(1, return_sequences=True, return_state=True)(inputs1)
model = Model(inputs=inputs1, outputs=[lstm1, state_h, state_c])

# define input data
data = np.random.rand(2, 3)
data = data.reshape((1,2,3))

# make and show prediction
print(model.predict(data))

这将是仅具有单个LSTM单元且输入数据具有特定形状的LSTM网络的示例。

事实证明，我们只是在这里进行预测，为简单起见，这里没有进行训练，而是看一下在predict方法之前我们需要如何重塑数据（以添加额外的维度）。