Update1：
我所指的代码正是书中的代码，你可以在这里找到它。
唯一的问题是我不想在解码器部分有embed_size。这就是为什么我认为我根本不需要嵌入层，因为如果我放置嵌入层，我需要在解码器部分有embed_size(如果我错了，请纠正我)。
总的来说，我试图在不使用嵌入层的情况下采用相同的代码，因为我需要在解码器部分vocab_size。
我认为评论中提供的建议可能是正确的(using one_hot_encoding)我如何面对此错误：
当我做one_hot_encoding：
tf.keras.backend.one_hot(indices=sent_wids, classes=vocab_size)
我收到此错误：
in check_num_samples
you should specify the + steps_name + argument
ValueError: If your data is in the form of symbolic tensors, you should specify the steps_per_epoch argument (instead of the batch_size argument, because symbolic tensors are expected to produce batches of input data)
我准备数据的方式是这样的：
sent_lens的形状是(87716, 200)的，我想以一种可以将其输入 LSTM 的方式重塑它。 这里200代表sequence_lenght，87716是我拥有的样本数量。
以下是LSTM Autoencoder的代码：
inputs = Input(shape=(SEQUENCE_LEN,VOCAB_SIZE), name="input")
encoded = Bidirectional(LSTM(LATENT_SIZE), merge_mode="sum", name="encoder_lstm")(inputs)
decoded = RepeatVector(SEQUENCE_LEN, name="repeater")(encoded)
decoded = LSTM(VOCAB_SIZE, return_sequences=True)(decoded)
autoencoder = Model(inputs, decoded)
autoencoder.compile(optimizer="sgd", loss='mse')
autoencoder.summary()
history = autoencoder.fit(Xtrain, Xtrain,batch_size=BATCH_SIZE,
epochs=NUM_EPOCHS)
我还需要做任何额外的事情吗，如果不是，为什么我不能得到这个作品？
请让我知道我将解释哪个部分不清楚。
感谢您的帮助：)
您需要按以下方式重塑数据：
- 样品。一个序列是一个样本。一个批次由一个或 更多样品。
- 时间步长。一个时间步长是一个观察点 在示例中。
- 功能。一个要素是一次一个观测值 步。
(samples, time_steps, features)
然后，您的模型应如下所示(简化版本)：
visible = Input(shape=(time_steps, features))
encoder = LSTM(100, activation='relu')(visible)
# define reconstruct decoder
decoder = RepeatVector(time_steps)(encoder)
decoder = LSTM(100, activation='relu', return_sequences=True)(decoder)
decoder = TimeDistributed(Dense(features))(decoder)
model = Model(visible, decoder)
查看这个很棒的教程。应该对您的情况有所帮助。
但是，也就是说，您可能只需要扩展数组的维度。
也看看这个，它可能会解决问题。
希望以上内容对您有所帮助。
正如评论中所说，事实证明我只需要做one_hot_encoding.
当我使用 tf.keras.后端进行one_hot编码时，它会抛出我在问题中更新的错误。
然后我尝试to_categorical(sent_wids, num_classes=VOCAB_SIZE)它修复了(但是面临memory error:D这是不同的故事)!!
我还应该提到我尝试了sparse_categorical_crossentropy而不是one_hot_encoding尽管它不起作用！
谢谢你的帮助：)