我有一个LSTM模型，它接受一组数字（这些数字实际上是我转换成的音乐音符。我的目标是生成计算机音乐，如果你想知道的话）。我遇到的问题是我不知道如何进行预测。我希望计算机输出的结果是一个数字列表（或字符串或任何它能输出的形式），这些数字遵循训练过程中得出的规则。在之前的项目中，我只知道如何输出一个预测值，给计算机一些数据进行预测，但我希望在不给计算机初始值的情况下生成一个全新的列表。最好计算机能一次生成多个数字。
这是我目前的代码，现在它无法正常工作：
n_steps = 1X, y = split_sequence(data, n_steps)X = X.reshape((X.shape[0], X.shape[1], 1))X = tf.cast(X, dtype='float32')model = Sequential()model.add(LSTM(256, activation='relu', return_sequences=True))#model.add(Dropout(0.2)) # 我不知道这是什么，但它不会破坏我的代码model.add(LSTM(128, activation='relu', return_sequences=True))#model.add(Dropout(0.2))model.add(LSTM(128))#model.add(Dropout(0.2))model.add(Dense(1, activation='linear'))model.compile(optimizer='adam', loss='mse', metrics=['mae'])model.fit(X, y, epochs=10, batch_size=2, verbose=2)prediction = model.predict(X) # 我希望输出一个数字列表print(prediction)现在，我的预测结果输出了一个包含相同值的长列表，我认为这是一个预测值。看起来是这样的：
[[62.449333] [62.449333] [62.449333] ... [62.449333] [62.449333] [62.449333]]我希望得到的不是一个预测值，而是一个类似于GAN输出的全新数字列表。另外，我不确定为什么预测结果会输出一个很长的列表列表。
数据看起来像这样，为了简洁起见，这里是简化版：
[64, 76, 64, 75, 64, 76, 64, 75, 64, 76, 64, 71, 64, 74, 64, 72, 69, 64, 45, 64, 52]当n_steps = 1时，x训练数据看起来像这样：
[[64], [76], [64], [75], [64], [76], [64], [75], [64], [76], [64], [71], [64], [74]]y看起来像这样，每个值是对应x训练数据的预期输出：
[76, 64, 75, 64, 76, 64, 75, 64, 76, 64, 71, 64, 74, 64]任何帮助都将不胜感激！！
回答：
我认为你的模型结构很好，但数据需要一些调整。你的LSTM设置只能输出一个值，你可以看到最后一个LSTM层没有设置return_sequences=True。你的y标签有多个值，这可能让模型感到困惑。
我认为你应该保留这种行为，但按以下方式编辑你的输入/输出数据：
如果你的数据中的一个序列是：
[64, 76, 64, 75, 64, 76, 64, 75, 64, 76, 64, 71, 64, 74, 64, 72, 69, 64, 45, 64, 52]那么你的训练示例和标签应该是这样的：
x[0] = [64]y[1] = [76]x[1] = [64, 76]y[1] = [64]x[2] = [64, 76, 64]y[2] = [75]序列的每一步都可以是一个单独的训练示例，但每个y标签应该只有一个输出值。
你的线性输出可能可以工作，但我认为将其作为一个分类问题，采用softmax输出可能会更好。最终的密集层应该具有模型可以输出的可能音符的数量。你还需要用0值填充这些序列，以便所有x输入值的长度相同，所以x值实际上是这样的：
x[0] = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 64]x[1] = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 64, 75]等等，数组的长度是你的最大序列长度。
在进行预测时，可以使用循环。你会给模型一个单值输入序列，然后将预测的音符添加到输入序列中，再次将其馈送到模型中：
seed_note = [64] # 给模型的初始音符next_notes = 10 # 要预测的音符数量for _ in range(next_notes): token_list = pad_sequences(seed_note, maxlen=max_sequence_len, padding='pre') # 用0s填充序列 predicted = np.argmax(model.predict(token_list), axis=-1) # 获取下一音符的最佳预测 seed_note += [predicted] print(seed_text)