理解LSTM模型的input_shape

Question

我将数据库划分为 40 个滚动窗口，因此我有一个形状为

(2000000, 132)

的数据框。让我们关注第一个窗口：它有 50k 行和 132 列，所以它的形状是

(50000, 132)

。我想使用所有这些来预测以下窗口中标签的值，但我不知道

input_shape

中需要什么值。我放置

input_shape=(X_train.shape[1], 1)))

是因为我认为在每次迭代中我都有

X_train.shape[1] = 132

列和 1 个时间步，但我不确定。 （我使用从 1 到 41 的

for

循环进行每次迭代）

型号为：

model = Sequential()
model.add(LSTM(units=50, activation='sigmoid', return_sequences=True, input_shape=(X_train.shape[1], 1)))
model.add(LSTM(units=50, activation='sigmoid'))
model.add(Dense(1, activation='sigmoid'))
model.summary()

 Layer (type)                Output Shape              Param #   
=================================================================
 lstm_24 (LSTM)              (None, 132, 50)           10400     
                                                                 
 lstm_25 (LSTM)              (None, 50)                20200     
                                                                 
 dense_11 (Dense)            (None, 1)                 51        
                                                                 
=================================================================
Total params: 30,651
Trainable params: 30,651
Non-trainable params: 0
_________________________________________________________________

Answer 1

在 LSTM 中，input_shape 是

(batch_size, timesteps, features)

。

首先，您需要将

X_train

转换为 3D 张量。每个 50000x132 矩阵都是一个样本。所以，

X_train

将是

(n_samples, 50000, 132)

。

现在，您可以将输入形状设置为

(x_train.shape[1], x_train.shape[2])

。