LSTM输入层
LSTM输入层由网络的第一个隐藏层上的“ input_shape ”参数指定。
这会让初学者感到困惑。
例如，下面是具有一个隐藏的LSTM层和一个密集输出层的网络的示例。
model = Sequential()
model.add(LSTM(32))
model.add(Dense(1))
每个LSTM层的输入必须是三维的。在此示例中，LSTM（）层必须指定输入的形状。
这个输入的三个维度是：
- 样品。一个序列是一个样本。批次由一个或多个样品组成。
- 时间步骤。一个步骤是样品中的一个观察点。
- 特征。一个特征是在一个时间步骤的一个观察。
这意味着输入层在拟合模型和进行预测时需要3D数据数组，即使数组的特定维度包含单个值，例如一个样本或一个特征。
定义LSTM网络的输入层时，网络假定您有一个或多个样本，并要求您指定时间步数和要素数。您可以通过为“ input_shape ”参数指定元组来完成此操作。
例如，下面的模型定义了一个输入层，该输入层需要1个或更多样本，50个时间步长和2个特征。
model = Sequential()
model.add(LSTM(32, input_shape=(50, 2)))
model.add(Dense(1))
现在我们知道了如何定义LSTM输入层以及3D输入的期望，让我们看看如何为LSTM准备数据的一些示例。
单输入样本的LSTM示例
考虑具有多个时间步长和一个特征的一个序列的情况。
例如，这可能是10个值的序列：
0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0
我们可以将这个数字序列定义为NumPy数组。
from numpy import array
data = array([0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0])
然后我们可以使用NumPy数组上的reshape（）函数将这个一维数组重新整形为一个三维数组，每个时间步长有1个样本，10个时间步长和1个特征。
在数组上调用时，reshape（）函数接受一个参数，该参数是定义数组新形状的元组。我们不能传递任何数字元组; 重塑必须均匀地重新组织数组中的数据。
data = data.reshape((1, 10, 1))
重新成形后，我们可以打印阵列的新形状。
print(data.shape)
将所有这些放在一起，下面列出了完整的示例。
from numpy import array
# 将这个数字序列定义为NumPy数组
data = array([0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0])
# 我们可以使用NumPy数组上的reshape（）函数将这个一维数组重新整形为一个三维数组，每个时间步长有1个样本，10个时间步长和1个特征(列)
data = data.reshape((1, 10, 1))
print(data.shape)
print(data)
| 1 |
(1, 10, 1) [[[0.1] [0.2] [0.3] [0.4] [0.5] [0.6] [0.7] [0.8] [0.9] [1. ]]] |
运行该示例将打印单个样本的新3D形状。
此数据现在可以用作LSTM的输入（X），其input_shape为（10,1）。
model = Sequential()
model.add(LSTM(32, input_shape=(10, 1)))
model.add(Dense(1))
具有多个输入功能的LSTM示例
考虑您有多个并行系列作为模型输入的情况。
例如，这可能是两个并行的10个值系列：
| 1 2 |
series 1: 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0 series 2: 1.0, 0.9, 0.8, 0.7, 0.6, 0.5, 0.4, 0.3, 0.2, 0.1 |
我们可以将这些数据定义为包含10行的2列矩阵：
from numpy import array
data = array([
[0.1, 1.0],
[0.2, 0.9],
[0.3, 0.8],
[0.4, 0.7],
[0.5, 0.6],
[0.6, 0.5],
[0.7, 0.4],
[0.8, 0.3],
[0.9, 0.2],
[1.0, 0.1]])
它可以重新整形为3D数组，如下所示：该数据可以被构造为1个样本，具有10个时间步长和2个特征。
data = data.reshape(1, 10, 2)
将所有这些放在一起，下面列出了完整的示例。
from numpy import array
data = array([
[0.1, 1.0],
[0.2, 0.9],
[0.3, 0.8],
[0.4, 0.7],
[0.5, 0.6],
[0.6, 0.5],
[0.7, 0.4],
[0.8, 0.3],
[0.9, 0.2],
[1.0, 0.1]])
# 被构造为1个样本，具有10个时间步长和2个特征
data = data.reshape(1, 10, 2)
print(data.shape)
print(data)运行该示例将打印单个样本的新3D形状。
| 1 |
(1, 10, 2) [[[0.1 1. ] [0.2 0.9] [0.3 0.8] [0.4 0.7] [0.5 0.6] [0.6 0.5] [0.7 0.4] [0.8 0.3] [0.9 0.2] [1. 0.1]]] |
此数据现在可以用作LSTM的输入（X），其input_shape为（10,2）。
model = Sequential()
model.add(LSTM(32, input_shape=(10, 2)))
model.add(Dense(1))