python - Keras LSTM TensorFlow错误: 'Shapes must be equal rank, but are 1 and 0'

Question

我正在尝试创建一个 Keras LSTM(请注意，我是 Keras 中的 LSTM 和 RNN 新手)。神经网络应该输入 4116 个值，并输出 4116 个值。这需要 288 个时间步长完成。我有 27 个这样的时间步(我意识到这可能会导致过度拟合；我有一个更大的数据集，但首先想用 27 个训练示例来测试我的代码)。

训练数据存储在两个numpy数组x和y中。这些变量的形状为(27, 288, 4116)。

我的代码:

datapoints = data.get.monthPoints(2, year)
x, y = datapoints[:-1], datapoints[1:]
del datapoints

input_shape = x.shape[1:]
output_shape = y.shape[1:]

checkpoint = ModelCheckpoint('model/files/alpha.h5', monitor='val_loss', verbose=1, save_best_only=True, mode='auto', period=1)
early = EarlyStopping(monitor='val_loss', min_delta=0, patience=1, verbose=1, mode='auto')

model = Sequential()
model.add(LSTM(5488, activation='relu', input_shape=input_shape))
model.add(RepeatVector(output_shape))
model.add(LSTM(5488, activation='relu', return_sequences=True))
model.add(TimeDistributed(Dense(output_shape)))

model.compile(loss='mse', optimizer='adam')
model.fit(x, y, epochs=100, batch_size=8, callbacks = [checkpoint, early])

当我运行该程序时，出现以下错误:

tensorflow.python.framework.errors_impl.InvalidArgumentError: Shapes must be equal rank, but are 1 and 0
        From merging shape 1 with other shapes. for 'repeat_vector/stack_1' (op: 'Pack') with input shapes: [], [2], []

和

During handling of the above exception, another exception occurred:
ValueError: Shapes must be equal rank, but are 1 and 0
        From merging shape 1 with other shapes. for 'repeat_vector/stack_1' (op: 'Pack') with input shapes: [], [2], []

我见过其他一些类似的问题，例如 this和 this ，但他们没有提供解决我的问题的解决方案，或者解决方案不清楚。

我想我的问题与我错误地构建网络或错误地格式化数据有关。

任何见解我都会非常感激。

谢谢。

Answer 1

您的代码中有两个问题。首先，在 RepeatVector 中，您通过传递 y.shape[1:] 来发送列表。在 RepeatVector 中，您应该发送一个整数。

第二个问题出现在TimeDistributed中。发送您希望第二维度重复的次数。 所以你的代码应该是:

repeat_vector_units = x.shape[1]
output_units = x.shape[2]

model = Sequential()
model.add(LSTM(5488, activation='relu', input_shape=input_shape))
model.add(RepeatVector(repeat_vector_units))        ### Change here
model.add(LSTM(5488, activation='relu', return_sequences=True))
model.add(TimeDistributed(Dense(output_units)))     #### Change here