我不明白LSTM层如何接收数据。

LSTM层需要三个维度(x,y,z)。

我确实有一个时间序列数据集：总共有2900行，概念上应该分为每组23行连续的数据，每行由178个特征描述。概念上，每23行我有一个新的序列，长度为23行，关于一个新患者。

以下陈述是否正确？

• x 样本数 = 23行长序列的组数 – 即len(dataframe)/23
• y 时间步长 = 每个序列的长度 – 根据领域假设这里是23。
• z 特征大小 = 每行的列数 – 在这种情况下是178。

因此x*y = "数据集中的行数"

假设这是正确的，在这种情况下训练模型时的批量大小是什么？

可能是训练时一个周期中考虑的样本数？

因此，如果x(样本数)等于200，那么设置batch_size大于200是没有意义的，因为那是我的上限 – 我没有更多的数据来训练。

回答：

我理解你的描述是说你的总数据集有2900个数据样本。每个数据样本有23个时间槽，每个时间槽有一个178维的向量。

如果是这种情况，你的模型的input_shape应该定义为(23, 178)。批量大小只是从2900个样本中用于训练/测试/预测运行的样本数量。

尝试以下操作：

from keras.models import Sequentialfrom keras.layers import Dense, LSTMmodel = Sequential()model.add(LSTM(64, input_shape=(23,178)))model.compile(loss='mse', optimizer='sgd')model.summary()print model.input

这只是一个简单的模型，为每个样本输出一个64宽的向量。你会看到预期的model.input是：

Tensor("lstm_3_input:0", shape=(?, 23, 178), dtype=float32)

在输入形状中批量大小未设置，这意味着该模型可以用于训练/预测不同大小的批次。