我正在尝试训练一些神经网络来预测时间序列。我使用Sequentional模型来定义我的神经网络结构。看起来像这样：
from keras.models import Sequentialfrom keras.layers import Dense, Activation, SimpleRNN, Embeddingfrom keras import optimizersfrom keras import lossesmodel = Sequential()#model.add(Dense(units=5, input_dim=3, activation = 'tanh'))model.add(SimpleRNN(units=5, input_dim = 3, activation = 'tanh'))model.add(Dense(units=16, activation='tanh'))model.add(Dense(1, activation='linear'))prop = optimizers.rmsprop(lr=0.01)sgd = optimizers.sgd(lr=0.01, nesterov=True, momentum=0.005)model.compile(optimizer=prop, loss='mean_squared_error')它无法执行，并返回错误信息如下：
ValueError: Error when checking input: expected simple_rnn_9_input to have 3 dimensions, but got array with shape (221079, 3)当我使用注释掉的Dense层时，一切都正常。我阅读了Keras文档，发现他们使用了Embedding层。尽管如此，我并不真正理解为什么Embedding层在使用SimpleRNN或LSTM等循环层时是必要的。
train_set是一个具有4列的二维数组 – 第4列是目标列，其余是输入列。
有没有简单的方法可以将Keras的循环层与传统的Dense层一起使用？我希望能得到解释和一些代码示例。
此致敬礼，Maks
回答：
我不是这方面的专家，但这可能会有所帮助
import numpy as npimport numpy as npdata = np.zeros((10,4))X = data[:,0:3].reshape(-1,1,3)y = data[:,3].reshape(-1,1)print(X.shape)print(y.shape)打印结果为：
(10, 1, 3)(10, 1)然后：
model.fit(X, y)