我正在尝试理解如何使用Keras进行供应链预测，但一直遇到无法在其他地方找到帮助的错误。我尝试过做类似的教程；太阳黑子预测教程，污染多变量教程等，但我仍然不明白input_shape参数是如何工作的，或者如何组织我的数据以使其被Keras接受。
我的数据集是一个单一时间序列，描述我们每月销售的产品数量。我将这个单一时间序列，107个月，转换成了一个30行、77列的数据集。我从中创建了训练集和测试集。
但无论我做什么，我都无法在不出现某种错误的情况下创建模型。
Keras版本：1.2.0
C:\Users\Ryan.B>python -c “import keras; print(keras.version)”
使用TensorFlow后端。
1.2.0
Python版本：3.5.4
这是我得到的代码和相应的错误。
model = Sequential()model.add(LSTM(units=64, input_shape=(77, 1), output_dim=1))C:\Python35\lib\site-packages\keras\backend\tensorflow_backend.py in concatenate(tensors, axis) 1219 try:-> 1220 return tf.concat_v2([to_dense(x) for x in tensors], axis) 1221 except AttributeError:AttributeError: module 'tensorflow' has no attribute 'concat_v2'During handling of the above exception, another exception occurred:TypeError Traceback (most recent call last)<ipython-input-21-94f09519ff46> in <module>() 1 model = Sequential()----> 2 model.add(LSTM(input_shape=(77, 1), output_dim = 1)) 3 #model.add(Dense(10, activation = 'relu')) 4 #model.add(Dense(1, activation = 'softmax'))C:\Python35\lib\site-packages\keras\models.py in add(self, layer) 292 else: 293 input_dtype = None--> 294 layer.create_input_layer(batch_input_shape, input_dtype) 295 296 if len(layer.inbound_nodes) != 1:C:\Python35\lib\site-packages\keras\engine\topology.py in create_input_layer(self, batch_input_shape, input_dtype, name) 396 # and create the node connecting the current layer 397 # to the input layer we just created.--> 398 self(x) 399 400 def add_weight(self, shape, initializer, name=None,C:\Python35\lib\site-packages\keras\engine\topology.py in __call__(self, x, mask) 541 '`layer.build(batch_input_shape)`') 542 if len(input_shapes) == 1:--> 543 self.build(input_shapes[0]) 544 else: 545 self.build(input_shapes)C:\Python35\lib\site-packages\keras\layers\recurrent.py in build(self, input_shape) 761 self.W_f, self.U_f, self.b_f, 762 self.W_o, self.U_o, self.b_o]--> 763 self.W = K.concatenate([self.W_i, self.W_f, self.W_c, self.W_o]) 764 self.U = K.concatenate([self.U_i, self.U_f, self.U_c, self.U_o]) 765 self.b = K.concatenate([self.b_i, self.b_f, self.b_c, self.b_o])C:\Python35\lib\site-packages\keras\backend\tensorflow_backend.py in concatenate(tensors, axis) 1220 return tf.concat_v2([to_dense(x) for x in tensors], axis) 1221 except AttributeError:-> 1222 return tf.concat(axis, [to_dense(x) for x in tensors]) 1223 1224 C:\Python35\lib\site-packages\tensorflow\python\ops\array_ops.py in concat(values, axis, name) 1041 ops.convert_to_tensor(axis, 1042 name="concat_dim",-> 1043 dtype=dtypes.int32).get_shape( 1044 ).assert_is_compatible_with(tensor_shape.scalar()) 1045 return identity(values[0], name=scope)C:\Python35\lib\site-packages\tensorflow\python\framework\ops.py in convert_to_tensor(value, dtype, name, preferred_dtype) 674 name=name, 675 preferred_dtype=preferred_dtype,--> 676 as_ref=False) 677 678 C:\Python35\lib\site-packages\tensorflow\python\framework\ops.py in internal_convert_to_tensor(value, dtype, name, as_ref, preferred_dtype) 739 740 if ret is None:--> 741 ret = conversion_func(value, dtype=dtype, name=name, as_ref=as_ref) 742 743 if ret is NotImplemented:C:\Python35\lib\site-packages\tensorflow\python\framework\constant_op.py in _constant_tensor_conversion_function(v, dtype, name, as_ref) 111 as_ref=False): 112 _ = as_ref--> 113 return constant(v, dtype=dtype, name=name) 114 115 C:\Python35\lib\site-packages\tensorflow\python\framework\constant_op.py in constant(value, dtype, shape, name, verify_shape) 100 tensor_value = attr_value_pb2.AttrValue() 101 tensor_value.tensor.CopyFrom(--> 102 tensor_util.make_tensor_proto(value, dtype=dtype, shape=shape, verify_shape=verify_shape)) 103 dtype_value = attr_value_pb2.AttrValue(type=tensor_value.tensor.dtype) 104 const_tensor = g.create_op(C:\Python35\lib\site-packages\tensorflow\python\framework\tensor_util.py in make_tensor_proto(values, dtype, shape, verify_shape) 372 nparray = np.empty(shape, dtype=np_dt) 373 else:--> 374 _AssertCompatible(values, dtype) 375 nparray = np.array(values, dtype=np_dt) 376 # check to them.C:\Python35\lib\site-packages\tensorflow\python\framework\tensor_util.py in _AssertCompatible(values, dtype) 300 else: 301 raise TypeError("Expected %s, got %s of type '%s' instead." %--> 302 (dtype.name, repr(mismatch), type(mismatch).__name__)) 303 304 TypeError: Expected int32, got "<"tf.Variable 'lstm_3_W_i:0' shape=(1, 1) dtype=float32_ref">" of type 'Variable' instead.任何帮助解决这些错误，并了解input_shape和output_dim如何工作的建议都将不胜感激！
最终我想开始使用诸如每月营销预算/指标和销售团队指标作为多变量预测的外部回归器，但一步一步来。谢谢你的时间和输入！
回答：
你真的应该升级到Keras 2；在Keras 1.x中，units甚至不是一个有效的参数，因此你的错误：
import kerasfrom keras.models import Sequentialfrom keras.layers import LSTMkeras.__version__# '2.2.4'你的案例在Keras 2中仍然会出错，尽管是不同的错误：
model = Sequential()model.add(LSTM(units=64, input_shape=(77, 1), output_dim=1))[...]TypeError: For the `units` argument, the layer received both the legacy keyword argument `output_dim` and the Keras 2 keyword argument `units`. Stick to the latter!按照消息建议，省略旧的output_dim参数，我们可以让它工作：
model = Sequential()model.add(LSTM(units=64, input_shape=(77, 1)))model.summary()# result:_________________________________________________________________Layer (type) Output Shape Param # =================================================================lstm_1 (LSTM) (None, 64) 16896 =================================================================Total params: 16,896Trainable params: 16,896Non-trainable params: 0_________________________________________________________________所以，我强烈建议你升级到Keras 2（我非常怀疑Keras 1.x能与Tensorflow 1.2兼容），如果你仍然有问题，请提出一个新问题…
