我正在训练一个LSTM模型，输入是一系列50个步骤的3个不同特征，排列如下：
#x_train[[[a0,b0,c0],.....[a49,b49,c49]], [a1,b1,c1]......[a50,b50,c50]], ... [a49,b49,c49]...[a99,b99,c99]]]使用以下依赖变量
#y_train[a50, a51, a52, ... a99]下面的代码可以预测a，如何让它预测并返回给定时间步的[a,b,c]向量？
def build_model():model = Sequential()model.add(LSTM( input_shape=(50,3), return_sequences=True, units=50))model.add(Dropout(0.2))model.add(LSTM( 250, return_sequences=False))model.add(Dropout(0.2))model.add(Dense(1))model.add(Activation("linear"))model.compile(loss="mse", optimizer="rmsprop")return model回答：
每一层的输出基于它所拥有的单元/单元数/滤波器的数量。
你的输出只有一个特征，因为Dense(1...)只有一个单元。
只需将其改为Dense(3...)就能解决你的问题。
现在，如果你希望输出与输入具有相同的时间步数，那么你需要在所有的LSTM层中开启return_sequences = True。
LSTM的输出是：
- (批次大小, 单元数) – 当
return_sequences=False - (批次大小, 时间步数, 单元数) – 当
return_sequences=True
然后你可以在后续的层中使用TimeDistributed层包装器，让它们也像是具有时间步数的层（它基本上会保留中间的维度）。
def build_model(): model = Sequential() model.add(LSTM( input_shape=(50,3), return_sequences=True, units=50)) model.add(Dropout(0.2)) model.add(LSTM( 250, return_sequences=True)) model.add(Dropout(0.2)) model.add(TimeDistributed(Dense(3))) model.add(Activation("linear")) model.compile(loss="mse", optimizer="rmsprop") return model