我正在学习如何使用LSTM RNN。我看到了这个教程：https://www.youtube.com/watch?v=SeffmcG42SY&之后，我尝试应用所学内容并更改数据集。问题是，我对所有的重塑操作感到有些迷惑，我不太清楚如何使用它们以及它们为什么在这里…我的数据集有7列和546行。以下是我的超参数设置：
# 超参数
lr = 0.001
training_iters = 100000
batch_size = 64
n_inputs = 7 # 列数
n_steps = 546 # 行数
n_hidden_units = 128 # 隐藏层中的神经元数量
n_classes = 1 # 类别数当我启动会话时，情况如下：
with tf.Session() as sess:
init = tf.global_variables_initializer()
sess.run(init)
step = 0
while step * batch_size < training_iters:
batch_xs, batch_ys = inputX, inputY
batch_xs = batch_xs.reshape([batch_size, n_steps, n_inputs])
sess.run([train_op], feed_dict={
x: batch_xs,
y: batch_ys,
})
if step % 20 == 0:
print(sess.run(accuracy, feed_dict={
x: batch_xs,
y: batch_ys,
}))
step += 1然后，我收到了一个错误消息
“无法将大小为3822的数组重塑为形状(64,546,7)”
如果有人能解释这是如何工作的和/或如何解决这个问题，那将非常棒！
谢谢
回答：
LSTM单元有输入，并且LSTM单元会随着时间展开以处理一个序列的不同输入。由于我们使用批量学习算法，我们需要提供一批输入。因此，在TensorFlow中，LSTM的输入形状为（批量大小 X 展开的时间步长 X 输入大小）。
在你的情况下
- 批量大小 = 64
- 展开的时间步长 = 546
- 输入大小 = 7
根据你的输入方式（你如何进行特征提取），你需要将其重塑为64 X 546 X 7（== 244608），如果你的输入大小是3822，这当然会失败。
可以从序列到序列的预测（一对一模型）来思考LSTM。例如，假设你有一组句子（假设有S个句子）。假设每个句子有W个单词。现在你想预测每个句子中每个单词的词性标签。假设你用独热编码表示每个单词，并且你的词汇量大小为V。因此，独热编码向量的大小将是V。
现在你的LSTM模型输入形状将是（批量大小 X W X V），其中批量大小 << S，通常为32或64。
