keras训练的模型准确度低（如何为LSTM重新构建输入数据）

3.具有多个输入特征的LSTM示例。

4.LSTM输入提示。

LSTM输入层

LSTM输入层是由神经网络第一个隐藏层上的“ input_shape ”参数指定的。这可能会让初学者感到困惑。例如，以下是具有一个隐藏的LSTM层和一个密集输出层组成的神经网络示例。

model = Sequential()model.add(LSTM(32))model.add(Dense(1))

在这个例子中，我们可以看到LSTM（）层必须指定输入的形状。而且每个LSTM层的输入必须是三维的。这输入的三个维度是：

样品。一个序列是一个样本。批次由一个或多个样本组成。

时间步。一个时间步代表样本中的一个观察点。

特征。一个特征是在一个时间步长的观察得到的。

这意味着输入层在拟合模型时以及在做出预测时，对数据的要求必须是3D数组，即使数组的特定维度仅包含单个值。

当定义LSTM网络的输入层时，网络假设你有一个或多个样本，并会给你指定时间步长和特征数量。你可以通过修改“ input_shape ”的参数修改时间步长和特征数量。例如，下面的模型定义了包含一个或多个样本，50个时间步长和2个特征的输入层。

model = Sequential() model.add(LSTM(32 input_shape=(50 2))) model.add(Dense(1))

现在我们知道如何定义LSTM输入层，接下来我们来看一些我们如何为LSTM准备数据的例子。

具有单输入样本的LSTM示例

考虑到你可能会有多个时间步骤和一个特征序列的情况，所以我们先从这种情况讲起。例如，这是一个包含10个数字的序列：

0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

我们可以将这个数字序列定义为NumPy数组。

from numpy import array data = array([0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0])

然后，我们可以使用NumPy数组中的reshape（）函数将这个一维数组重构为三维数组，每个时间步长为1个样本，那么我们需要10个时间步长和1个特征。

在数组上调用的reshape（）函数需要一个参数，它是定义数组新形状的元组。我们不能干涉数据的重塑，重塑必须均匀地重组数组中的数据。

data = data.reshape((1 10 1))

一旦重塑，我们可以打印阵列的新形状。

print(data.shape)

完整的例子如下：

from numpy import array data = array([0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0]) data = data.reshape((1 10 1)) print(data.shape)

运行示例打印单个样本的新3D形状：

(1 10 1)

该数据现在可以为input_shape（10，1）的LSTM的输入（X）。

model = Sequential() model.add(LSTM(32 input_shape=(10 1))) model.add(Dense(1))

具有多个输入功能的LSTM示例

你的模型可能有多个并行数据作为输入的情况，接下来我们来看看这种情况。

例如，这可以是两个并行的10个值：

series 1: 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

series 2: 1.0 0.9 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1

我们可以将这些数据定义为具有10行的2列的矩阵：

from numpy import array data = array([ [0.1 1.0] [0.2 0.9] [0.3 0.8] [0.4 0.7] [0.5 0.6] [0.6 0.5] [0.7 0.4] [0.8 0.3] [0.9 0.2] [1.0 0.1]])

该数据可以被设置为1个样本，具有10个时间步长和2个特征。

它可以重新整形为3D阵列，如下所示：

data = data.reshape(1 10 2)

完整的例子如下：

from numpy import array data = array([ [0.1 1.0] [0.2 0.9] [0.3 0.8] [0.4 0.7] [0.5 0.6] [0.6 0.5] [0.7 0.4] [0.8 0.3] [0.9 0.2] [1.0 0.1]]) data = data.reshape(1 10 2) print(data.shape)

运行示例打印单个样本的新3D形状。

(1 10 2)

该数据现在可以为input_shape（10 2）作为LSTM的输入（X）使用。

model = Sequential() model.add(LSTM(32 input_shape=(10 2))) model.add(Dense(1))

LSTM输入提示

接下来我列出了在为LSTM准备输入数据时可以帮助你的一些提示。

1.LSTM输入层必须是3D。

2.3个输入尺寸的含义是：样本，时间步长和特征。

3.LSTM输入层由第一个隐藏层上的input_shape参数定义。

4.所述input_shape参数是限定的时间的步骤和特征数量的两个值的元组。

5.样本数默认假定为大于1。

6.NumPy数组中的reshape（）函数可用于将你的1D或2D数据重塑为3D。

7.reshape（）函数会将一个元组作为新定义的形状的参数。

进一步阅读

如果你进一步了解，本部分将提供有关该主题的更多资源。

Recurrent Layers Keras API。

Numpy reshape（）函数API。

如何将时间序列转换为Python中的监督学习问题。

时间序列预测作为监督学习。

如果你在LSTM上有任何问题，可以去原文作者博客与之交流。

本文由本文由北邮@爱可可-爱生活老师推荐，@阿里云云栖社区组织翻译。

文章原标题《How to Reshape Input Data for Long Short-Term Memory Networks in Keras》

作者：Jason Brownlee

作者博客地址：http://machinelearningmastery.com/blog/

译者：袁虎 审阅：主题曲哥哥