Python - 基于 LSTM 的 RNN 需要 3D 输入？

我正在尝试构建一个基于 LSTM RNN 的深度学习网络，这是尝试过的

from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation
from keras.layers import Embedding
from keras.layers import LSTM
import numpy as np

train = np.loadtxt("TrainDatasetFinal.txt", delimiter=",")
test = np.loadtxt("testDatasetFinal.txt", delimiter=",")

y_train = train[:,7]
y_test = test[:,7]

train_spec = train[:,6]
test_spec = test[:,6]


model = Sequential()
model.add(LSTM(32, input_shape=(1415684, 8),return_sequences=True))
model.add(LSTM(64, input_dim=8, input_length=1415684, return_sequences=True))
##model.add(Embedding(1, 256, input_length=5000))
##model.add(LSTM(64,input_dim=1, input_length=10, activation='sigmoid',
##               return_sequences=True, inner_activation='hard_sigmoid'))
model.add(Dropout(0.5))
model.add(Dense(1))
model.add(Activation('sigmoid'))

model.compile(loss='binary_crossentropy', optimizer='rmsprop')

model.fit(train_spec, y_train, batch_size=2000, nb_epoch=11)
score = model.evaluate(test_spec, y_test, batch_size=2000)

但它给我带来了以下错误

ValueError: Error when checking input: expected lstm_1_input to have 3 dimensions, but got array with shape (1415684, 1)

这是数据集的示例

（患者编号、时间（毫秒）、加速度计 x 轴、y 轴、z 轴、幅度、频谱图、标签（0 或 1））

1,15,70,39,-970,947321,596768455815000,0
1,31,70,39,-970,947321,612882670787000,0
1,46,60,49,-960,927601,602179976392000,0
1,62,60,49,-960,927601,808020878060000,0
1,78,50,39,-960,925621,726154800929000,0

在数据集中，我仅使用频谱图作为输入特征，使用标签（0或1）作为输出，总训练样本为 1,415,684

您的主要错误是误解了 LSTM（或实际上任何 RNN）的工作原理以及它接受的输入内容。 LSTM 网络的单个训练示例包含sequence和一个标签。例如，这个...

1,15,70,39,-970,947321,596768455815000,0
1,31,70,39,-970,947321,612882670787000,0
1,46,60,49,-960,927601,602179976392000,0
1,62,60,49,-960,927601,808020878060000,0
1,78,50,39,-960,925621,726154800929000,0

...是长度为 5 的序列，具有 8 个特征。整个序列的标签是下一行的标签列。请注意，这只是一个例子;一个批次意味着多个这样的序列和标签。

现在，关于 Keras，从这个答案 https://stackoverflow.com/a/48141688/712995:

LSTM 层是一个循环层，因此它需要 3 维输入(batch_size, timesteps, input_dim).

让我们仔细看看您的规格：input_shape=(1415684, 8)告诉 keras 期望序列的长度1415684，其中每个项目都有8特征。所有这些都没有考虑批量大小，即2000.

这显然行不通，因为1415684LSTM 序列太长了。经验证据表明 LSTM 最多可以学习 100 个时间步，因此输入更大的序列并不会让它学得更好。更不用说它不节省内存和时间。

你应该做的是选择一个较小的timesteps参数，说timesteps=64，并将您的数据分割成块timesteps后续行。块可能会相交。这些手段的批次batch_size * timesteps总共行数，每行有8列。这y_train应包含每个训练序列的基本事实。 Keras 不会执行此准备步骤，因此您必须手动执行此操作。