不确定为什么我的 LSTM 神经网络会报错。似乎与输入形状有关。

这是我的神经网络架构:

from keras.models import Sequentialfrom keras.layers import LSTM, Dense, Dropoutmodel = Sequential()# 循环层model.add(LSTM(64, return_sequences=False,            dropout=0.1, recurrent_dropout=0.1))# 全连接层model.add(Dense(64, activation='relu'))# 正则化的 Dropoutmodel.add(Dropout(0.5))# 输出层model.add(Dense(y_train.nunique(), activation='softmax'))# 编译模型model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

这是我如何训练它的:

history = model.fit(X_train_padded, y_train_padded,                     batch_size=2048, epochs=150,                    validation_data=(X_test_padded, y_test_padded))

这是我的输入数据的形状:

print(X_train_padded.shape, X_test_padded.shape, y_train_padded.shape, y_test_padded.shape)(98, 20196, 30) (98, 4935, 30) (98, 20196, 1) (98, 4935, 1)

这是我的 X_train_padded 的一部分:

X_train_paddedarray([[[ 2.60352379e-01, -1.66420518e-01, -3.12893162e-01, ...,         -1.51210476e-01, -3.56188897e-01, -1.02761131e-01],        [ 1.26103191e+00, -1.66989382e-01, -3.13025807e-01, ...,          6.61329839e+00, -3.56188897e-01, -1.02761131e-01],        [ 1.04418243e+00, -1.66840157e-01, -3.12994596e-01, ...,         -1.51210476e-01, -3.56188897e-01, -1.02761131e-01],        ...,        [ 1.27399408e+00, -1.66998426e-01, -3.13025807e-01, ...,          6.61329839e+00, -3.56188897e-01, -1.02761131e-01],

这是我得到的错误:

Epoch 1/150---------------------------------------------------------------------------ValueError                                Traceback (most recent call last)<ipython-input-52-52422b54faa4> in <module>----> 1 history = model.fit(X_train_padded, y_train_padded,       2                     batch_size=2048, epochs=150,      3                     validation_data=(X_test_padded, y_test_padded))...ValueError: Shapes (None, 20196) and (None, 12) are incompatible

由于我在使用 LSTM 层，我的输入形状是三维的。我的输出层有 12 个节点 (y_train.nunique())，因为我的输入中有 12 个不同的类别。鉴于我有 12 个类别，我在输出层使用 softmax 作为激活函数，并使用 categorical_crossentropy 作为我的损失函数。

编辑:

让我尝试更好地解释我的 数据集 :

我在处理地质井。我的样本是不同类型的沉积岩层，特征是岩石的属性（如伽马射线发射），标签是岩石类型（如石灰岩）。我的一个特征是层深度。

在这种情况下使用 LSTM 的想法，是将井深视为一个序列。使得前一个沉积层（岩石）有助于预测下一个沉积层（岩石）。

我是如何得到我的输入形状的:

我的数据集中总共有 98 口井。我分割了数据集: X_train_init, X_test_init, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)。在训练集中，样本最多的井有 20196 个样本（层）。那些样本数量不够多的井，我用零填充它们，使它们有 20196 个样本。在测试集中，样本最多的井有 4935 个样本。那些样本数量不够多的井，我用零填充它们，使它们有 4935 个样本。移除 well 特征和 depth 特征（以及其他特征）后，我总共得到了 30 个特征。我的 y_train 和 y_test 只有 1 列，表示标签。

我想我的问题实际上是如何让这个数据集在 LSTM 中工作。大多数我看到的例子都没有 98 个不同的时间序列，它们只有一个。我不太确定如何处理 98 个不同的时间序列（井）。

回答：

这是行不通的。除了批量大小之外，其他每个输入维度都应该相同。此外，你的输入维度都有些混乱。例如 –

print(X_train_padded.shape, # (98, 20196, 30)X_test_padded.shape, # (98, 4935, 30)y_train_padded.shape, # (98, 20196, 1)y_test_padded.shape) # (98, 4935, 1)

据我所见，第一个维度应该代表总样本数（在 x_train,y_train, 和 x_test,y_test 中），但在你的情况下，总样本数由第二个维度表示。第一个维度应该放在第二位。也就是说，维度应该是

print(X_train_padded.shape, # (20196, 98, 30)X_test_padded.shape, # (4935, 98, 30)y_train_padded.shape, # (20196, 98, 1)y_test_padded.shape) # (4935, 98, 1)

这样一切都会到位。你只需要查看你是如何得到错误维度的，并更改那部分内容。