我正在尝试训练一个LSTM网络来进行无监督的二元分类。
我有一个整数矩阵作为输入，每一行都是不同的跟踪广告，每一列都是一个功能。
这是我使用的模型：
time_steps = 4000
features = 25
model = Sequential()
model.add(LSTM(128, input_shape=(time_steps, features), name='lstm'))
model.add(Dense(1, activation='relu'))
model.summary()
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(x_train, x_train, batch_size=batch_size, epochs=epochs, verbose=2)
这是我得到的错误：
检查目标时出错：预期dense_1具有 2 个维度，但得到形状为 (1， 4000， 25( 的数组
它是在尝试运行model.fit时生成的
输入的形成方式如下：
x_train = np.array([input_array[:4000]])
输入的每条迹线都有 25 个特征。
我是该领域的新手，我不知道如何解决问题。 我检查过类似的票，但没有一张帮助我。
以下是我分析的一些门票：
检查目标时出错：预期dense_1具有 3 个维度，但得到形状为 (118、1( 的数组
值错误：检查目标时出错：预期dense_1具有 2 个维度，但得到形状为 (68、50、50、50、50、1( 的数组
检查目标时出错：预期dense_2具有 2 个维度，但得到形状为 (1， 1226， 2( 的数组
值错误：检查目标时出错：预期dense_2具有 3 个维度，但得到形状为 (10000， 1( 的数组
几点评论：
- x_train作为 LSTM 图层的输入给出，该图层需要 3D 输入。第一个维度是样本，第二个维度是时间步长，最终维度是特征。
- 当您调用 fit 时，您会传递两次x_train，这意味着您希望目标与输入数据相同。如果您尝试执行自动编码器，这是有意义的，但是它无法在此体系结构上运行。密集层的输出将是单个值，它无法匹配输入的形状(即 3D(。下面我添加了一个y_train，以便您的模型预测单个值。
time_steps = 40
features = 25
x_train = np.random.normal(size=(10, time_steps, features))
y_train = np.random.normal(size=(10, ))
model = Sequential()
model.add(LSTM(128, input_shape=(time_steps, features), name='lstm'))
model.add(Dense(1, activation='relu'))
model.summary()
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(x_train, y_train, batch_size=32, epochs=2, verbose=2)
祝你好运！
您尚未显示input_array的形状，但您可以尝试使用np.reshape(input_array, (4000, 25))重塑它。在此处阅读有关重塑的更多信息