我试图构建一个如这里所描述的Elman简单RNN。
我使用Keras构建了我的模型，如下所示：
model = keras.Sequential()model.add(keras.layers.SimpleRNN(7,activation =None,use_bias=True,input_shape= [x_train.shape[0],x_train.shape[1]]))model.add(keras.layers.Dense(7,activation = tf.nn.sigmoid))model.summary()_________________________________________________________________Layer (type) Output Shape Param # =================================================================simple_rnn_2 (SimpleRNN) (None, 7) 105 _________________________________________________________________dense_2 (Dense) (None, 7) 56 =================================================================Total params: 161Trainable params: 161Non-trainable params: 0_________________________________________________________________我的训练数据当前的形状为(15000, 7, 7)。也就是说，15000个长度为7的一热编码实例，编码为七个字母之一。例如 [0,0,0,1,0,0,0],[0,0,0,0,1,0,0] 等等。
数据的标签采用相同的格式，因为每个字母预测序列中的下一个字母，即 [0,1,0,0,0,0,0] 的标签为 [0,0,1,0,0,0,0]。
因此，训练数据 (x_train) 和训练标签 (y_train) 的形状都为 (15000,7,7)。
我的验证数据 x_val 和 y_val 的形状为 (10000,7,7)。即相同的形状，只是实例较少。
所以当我运行我的模型时：
history = model.fit(x_train, y_train, epochs = 40, batch_size=512, validation_data = (x_val,y_val))我得到了错误：
ValueError: Error when checking input: expected simple_rnn_7_input to have shape (15000, 7) but got array with shape (7, 7)显然，我的输入数据的格式不正确，无法输入到Keras RNN中，但我不知道如何提供正确的输入。
有谁能给我一些解决方案的建议吗？
回答：
- SimpleRNN层期望输入的维度为
(seq_length, input_dim)，在你的情况下是(7,7)。 - 另外，如果你想要每个时间步的输出，你需要使用
return_sequence=True，默认情况下是false。这样你就可以比较每个时间步的输出。
所以模型架构将如下所示：
model.add(keras.layers.SimpleRNN(7, activation='tanh', return_sequences=True, input_shape=[7,7]))model.add(keras.layers.Dense(7))model.summary()_________________________________________________________________Layer (type) Output Shape Param # =================================================================simple_rnn_12 (SimpleRNN) (None, 7, 7) 105 _________________________________________________________________dense_2 (Dense) (None, 7, 7) 56 =================================================================Total params: 161Trainable params: 161Non-trainable params: 0_________________________________________________________________现在在训练时，它期望数据 输入和输出 的维度为 (num_samples, seq_length, input_dims) 即 (15000, 7, 7) 对于两者都适用。
model.compile(loss='categorical_crossentropy', optimizer='adam')# 定义你想要的任何损失model.fit(x_train, y_train, epochs=2)