LSTM Keras-许多到许多分类值错误：不兼容的形状

Question

我刚刚开始使用TensorFlow / keras在Python中实现LSTM来测试我的想法，但是我正在努力正确创建模型。这篇文章主要是关于我经常遇到的价值错误（请参阅底部的代码），但是所有和所有人都可以为下面的问题创建适当的LSTM模型。

对于每天，我想预测将发生哪一组事件。这个想法是，某些事件经过一定的时间之后 /始终发生 /总是发生，而其他事件仅发生或没有任何结构。 LSTM应该能够在这些反复发生的事件上进行挑选，以便预测其将来几天的情况。

为了显示事件，我使用一个值0和1的列表（不存在和事件）。因此，例如，如果我有事件[“上学”，“去健身房”，“购买计算机”]，我有[1，0，1]，[1，1，1，0]，[1]，[1 ，0，1]，[1，1，0]等。这样的想法是，LSTM会认识到我每天上学，每隔一天的健身房，而且购买计算机非常罕见。因此，按照向量的顺序，第二天应该预测[1,0,0]。

到目前为止，我已经完成了以下操作：

1. 创建X_Train：具有形状的Numpy.Array（305，60，193）。 X_Train的每个条目都连续60天，其中一天由相同的193个事件的向量表示，如上所述。
2. 创建y_train：带有形状的numpy.Array（305，1，193）。类似于x_train，但y_train每条条目仅包含1天。

x_train [0]由​​第1,2天，...，60，y_train [0]包含第61天。x_train [1]然后包含第2天，...，61和y_train [1]包含第62天，等。这个想法是，LSTM应该学会使用过去60天的数据，然后可以迭代地开始预测/生成未来几天事件发生的新向量。

我真的很努力如何创建可以处理此问题的LSTM的简单实现。到目前为止，我认为我已经弄清楚了以下内容：

1. 我需要从以下代码块开始，其中n_inputs = 60和n_features = 193。我不确定应该是什么n_blocks，或者是否应采取的值严格受到某些条件的约束。编辑：根据 https://zhuanlan.zhihu.com/p/58854907 无论我想要什么，

model = Sequential()
model.add(LSTM(N_BLOCKS, input_shape=(N_INPUTS, N_FEATURES)))

2. 我都应该添加一个密集的层。如果我希望LSTM的输出是193个事件的向量，则应如下：

model.add(layers.Dense(193,activation = 'linear') #or some other activation function

3. 我还可以添加一个辍学层以防止过度拟合，例如使用model.add.layers.dropout（0.2）在某种程度上设置为0
4. 。我不确定损失函数（例如MSE或eCTORICAL_CROSSTENTROPY）和优化器是否只想进行工作实现。
5. 我需要训练我的模型，我可以使用model.fit（x_train，y_train）来实现，
6. 如果以上所有操作都很好，我可以使用开始使用开始预测第二天的值。 Model.Predict（我想预测的一天的60天）

我的尝试之一可以在这里看到：

print(x_train.shape)
print(y_train.shape)

model = keras.Sequential()
model.add(layers.LSTM(256, input_shape=(x_train.shape[1], x_train.shape[2])))
model.add(layers.Dropout(0.2))
model.add(layers.Dense(y_train.shape[2], activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam')
model.summary()
model.fit(x_train,y_train) #<- This line causes the ValueError

Output:
(305, 60, 193)
(305, 1, 193)
Model: "sequential_29"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 lstm_27 (LSTM)              (None, 256)               460800    
                                                                 
 dense_9 (Dense)             (None, 1)                 257       
                                                                 
=================================================================
Total params: 461,057
Trainable params: 461,057
Non-trainable params: 0
_________________________________________________________________
ValueError: Shapes (None, 1, 193) and (None, 193) are incompatible 

或者，我尝试替换行model.add（layers.dense.dense.dense.drain.shape.shape.shape.shape） [2]，activation ='softmax'）带有model.add（layers.dense（y_train.shape [1]，activation ='softmax'））。这会产生valueerror：形状（无，1，193）和（无，1）不兼容。

我的想法还可以吗？如何解决此值错误？任何帮助将不胜感激。

编辑：如注释中建议的那样，更改y_train的大小做到了这一点。

print(x_train.shape)
print(y_train.shape)

model = keras.Sequential()
model.add(layers.LSTM(193, input_shape=(x_train.shape[1], x_train.shape[2]))) #De 193 mag ieder mogelijk getal zijn. zie: https://zhuanlan.zhihu.com/p/58854907
model.add(layers.Dropout(0.2))
model.add(layers.Dense(y_train.shape[1], activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam')
model.summary()
model.fit(x_train,y_train)


(305, 60, 193)
(305, 193)
Model: "sequential_40"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 lstm_38 (LSTM)              (None, 193)               298764    
                                                                 
 dropout_17 (Dropout)        (None, 193)               0         
                                                                 
 dense_16 (Dense)            (None, 193)               37442     
                                                                 
=================================================================
Total params: 336,206
Trainable params: 336,206
Non-trainable params: 0
_________________________________________________________________
10/10 [==============================] - 3s 89ms/step - loss: 595.5011

现在，我遇到了以下事实：model.predict（x）要求x的大小与x_train相同，并且会输出与y_train相同的数组。我希望仅需要一组60天才能输出第61天。有人知道如何实现这一目标吗？

Answer 1

该解决方案可能是具有形状的Y_TRAIN（305，193），而不是（305，1，193），因为您预测有一天，这不会改变数据，而只是其形状。然后，您应该能够训练和预测。
使用model.Add（layers.dense（y_train.shape [1]，activation ='softmax'））当然。