Keras LSTM：检查模型输入尺寸时出错

我是keras的新用户，并尝试实现LSTM模型 . 对于测试，我声明了如下所示的模型，但由于输入维度的不同而失败 . 虽然我在这个网站上发现了类似的问题，但我自己找不到自己的错误 .

ValueError: 
Error when checking model input: 
expected lstm_input_4 to have 3 dimensions, but got array with shape (300, 100)

我的环境

• python 3.5.2

• keras 1.2.0（Theano）

代码

来自keras.layers导入输入，密集
来自keras.models导入顺序
来自keras.layers导入LSTM
来自keras.optimizers导入RMSprop，Adadelta
来自keras.layers.wrappers导入TimeDistributed
导入numpy为np

in_size = 100
out_size = 10
nb_hidden = 8

model = Sequential（）
model.add（LSTM（nb_hidden，
名称= LSTM'，
活化= '的tanh'，
return_sequences =真，
input_shape =（None，in_size）））
model.add（TimeDistributed（Dense（out_size，activation ='softmax'）））

adadelta = Adadelta（clipnorm = 1 . ）
model.compile（优化= adadelta，
损失= 'categorical_crossentropy'，
度量= [ '准确性']）

#create dummy data
data_size = 300
train = np.zeros（（data_size，in_size，），dtype = np.float32）
labels = np.zeros（（data_size，out_size，），dtype = np.float32）
model.fit（火车，标签）

编辑1（在MarcinMożejko的评论之后不起作用）

谢谢MarcinMożejko . 但我有类似的错误，如下所示 . 我更新了虚拟数据以供检查 . 这段代码有什么问题？

ValueError：检查模型目标时出错：预期timedistributed_36有3个维度，但得到的数组有形状（208,1）

def create_dataset(X, Y, loop_back=1):
    dataX, dataY = [], []
    for i in range(len(X) - loop_back-1):
        a = X[i:(i+loop_back), :]
        dataX.append(a)
        dataY.append(Y[i+loop_back, :])
    return np.array(dataX), np.array(dataY)

data_size = 300
dataset = np.zeros((data_size, feature_size), dtype=np.float32)
dataset_labels = np.zeros((data_size, 1), dtype=np.float32)

train_size = int(data_size * 0.7)
trainX = dataset[0:train_size, :]
trainY = dataset_labels[0:train_size, :]
testX = dataset[train_size:, :]
testY = dataset_labels[train_size:, 0]
trainX, trainY = create_dataset(trainX, trainY)
print(trainX.shape, trainY.shape) # (208, 1, 1) (208, 1)

# in_size = 100
feature_size = 1
out_size = 1
nb_hidden = 8

model = Sequential()
model.add(LSTM(nb_hidden, 
               name='lstm',
               activation='tanh',
               return_sequences=True,
               input_shape=(1, feature_size)))

model.add(TimeDistributed(Dense(out_size, activation='softmax')))
adadelta = Adadelta(clipnorm=1.)
model.compile(optimizer=adadelta,
              loss='categorical_crossentropy',
              metrics=['accuracy'])
model.fit(trainX, trainY, nb_epoch=10, batch_size=1)