我为网络会话的生存预测创建了一个CNN-LSTM模型，我的训练数据如下所示:

print(x_train.shape)(288, 3, 393) 

其中包含(样本数, 时间步长, 特征数)，我的模型如下:

model = Sequential()model.add(TimeDistributed(Conv1D(128, 5, activation='relu'),                                  input_shape=(x_train.shape[1], x_train.shape[2])))model.add(TimeDistributed(MaxPooling1D()))model.add(TimeDistributed(Flatten()))model.add(LSTM(64, stateful=True, return_sequences=True))model.add(LSTM(16, stateful=True))model.add(Dense(1, activation='sigmoid'))model.compile(optimizer=Adam(lr=0.001), loss='binary_crossentropy', metrics=['accuracy'])

然而，TimeDistributed层需要至少3个维度，我应该如何转换数据以使其工作?

非常感谢!

回答：

你的数据已经是3D格式，这正是你需要的，用于输入Conv1D或LSTM。如果你的目标是2D，请记住在最后一个LSTM单元中设置return_sequences=False。

在LSTM之前使用Flatten是一个错误，因为你破坏了3D维度

还要注意池化操作，以免减少负时间维度（我在上面的卷积中使用了’same’填充以避免这种情况）

以下是一个二分类任务的示例

n_sample, time_step, n_features = 288, 3, 393X = np.random.uniform(0,1, (n_sample, time_step, n_features))y = np.random.randint(0,2, n_sample)model = Sequential()model.add(Conv1D(128, 5, padding='same', activation='relu',                  input_shape=(time_step, n_features)))model.add(MaxPooling1D())model.add(LSTM(64, return_sequences=True))model.add(LSTM(16, return_sequences=False))model.add(Dense(1, activation='sigmoid'))model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])model.fit(X,y, epochs=3)