PROSAGA码农传奇-深度学习-输入数据形状和大小，RNN Keras，回归

<div class =“post-text”itemprop =“text”>
  
    您可以直接将数据提供给LSTM，而无需使用嵌入层。
  
  
    1344行=＆gt;因此，我假设每列22列是在某个时间点读取的。
  
  
    对于input_shape，有三个部分：
  
  
    input_shape（1,48,22）=＆gt;批量大小= 1，时间步长= 48，输入特征大小= 22。
  
  
    批量大小是可选的。 'time-steps'是您希望用于进行预测的过去时间点数。在下面的示例中，48表示过去24小时的数据将用于预测。因此，您必须将1344行数据重塑为以下内容：
  
  
    第一个样本=第1 - 48行
  
  
    第二个样本=第2 - 49行，依此类推。
  
   <pre>
 <code>
 model.add(LSTM(21, input_shape=(48,22),kernel_initializer='normal',activation='relu', return_sequences=True))

# Other layers remain the same as in your first code snippet

print(model.predict(np.zeros((1,48,22)))) # Feed dummy sample to network
[[0. 0. 0. 0. 0. 0. 0. 0.]]

def create_dataset(dataset, look_back):
    dataX, dataY = [], []
    for i in range(len(dataset)-look_back):
        dataX.append(dataset[i:(i+look_back)]) # all 22 columns for X
        dataY.append(dataset[i + look_back, 0:8]) # first 8 columns for Y, just as an example
    return np.array(dataX), np.array(dataY)

csv_data = np.random.randn(1344,22) # simulate csv data
X, Y = create_dataset(csv_data, 48) 
print(X.shape, Y.shape) # (1296, 48, 22) (1296, 8)
model.fit(X, Y)

</code>
 </pre>
  
    余弦波预测的简单示例 - 易于使用.create_dataset函数来自此链接。

<a href="https://github.com/sachinruk/PyData_Keras_Talk/blob/master/cosine_LSTM.ipynb" rel="nofollow noreferrer">
      https://github.com/sachinruk/PyData_Keras_Talk/blob/master/cosine_LSTM.ipynb
    </A>
  
  
    关于重塑数据：

<a href="https://machinelearningmastery.com/reshape-input-data-long-short-term-memory-networks-keras/" rel="nofollow noreferrer">
      https://machinelearningmastery.com/reshape-input-data-long-short-term-memory-networks-keras/
    </A>
  
</DIV>