我是RNN和keras的新手 .
我试图将LSTM的性能与传统的机器学习算法（如RF或GBM）在顺序数据上进行比较（不一定是时间序列，而是按顺序） . 我的数据包含276个预测变量和一个输出（例如股票价格与股票公司的276种不同信息），8564次逆向观察 . 由于LSTM在捕获顺序趋势方面非常出色，我决定使用300的time_step . 从下图中，我相信我的任务是创建一个多对多网络（左上图） . （图：http://karpathy.github.io/2015/05/21/rnn-effectiveness/）
每个粉红色的盒子大小为276（预测器的数量）和300（time_steps）这样的粉红色盒子 . 但是，我很难看到我如何设计蓝色盒子，因为每个蓝色盒子应该是输出（股票价格） ）每个实例 . 来自Keras gihub论坛#2403和#2654的其他帖子，我想我必须实现TimeDistributed（Dense（）），但我不知道如何 . 这是我检查它是否有效的代码（train_idv是要预测的数据，train_dv是股票价格）
train_idv.shape
#(8263, 300, 276)
train_dv.shape
#(8263, 300, 1)
batch_size = 1
time_Steps=300
model = Sequential()
model.add(LSTM(300,
batch_input_shape=(batch_size, time_Steps, train_idv.shape[2]),
stateful=True,
return_sequences=True))
model.add(Dropout(0.3))
model.add(TimeDistributed(Dense(300)))
# Model Compilation
model.compile(loss='mean_squared_error',optimizer='adam',metrics=['accuracy'])
model.fit(train_idv, traindv, nb_epoch=1, batch_size=batch_size, verbose=2, shuffle=False)
运行model.fit会出现此错误
回溯（最近一次调用最后一次）：文件“”，第1行，在文件“/home/user/.local/lib/python2.7/site-packages/keras/models.py”，第627行，in fit sample_weight = sample_weight）文件“/home/user/.local/lib/python2.7/site-packages/keras/engine/training.py”，第1052行，in fit batch_size = batch_size）文件“/home/user/.local /lib/python2.7/site-packages/keras/engine/training.py“，第983行，_standardize_user_data exception_prefix ='model target'）文件”/home/user/.local/lib/python2.7/site- packages / keras / engine / training.py“，第111行，在standardize_input_data str（array.shape）中）异常：检查模型目标时出错：预期timedistributed_4有形状（1,300,300）但是有形状的数组（8263） ，300,1）
现在，我已经成功运行了time_step = 1并且只使用Dense（1）作为最后一层 . 但我不确定我应该如何塑造我的train_dv（训练中的输出）或如何正确使用TimeDistributed（Dense（）） . 最后，我想用
trainPredict = model.predict(train_idv,batch_size=1)
预测任何数据的分数 .
我也在keras github论坛上发布了this question .
1 回答
从您的帖子我了解到您希望每个LSTM时间步骤预测单个标量正确吗？那么你的时间分布密集层应该有输出1，而不是300（即
TimeDistributed(Dense(1))） .另外供您参考，在keras repo中有一个使用Time Distributed Dense的例子 .
在这个例子中，人们基本上想要为每个时间步长训练一个多类分类器（具有共享权重），其中不同的可能类是不同的可能数字字符：
时间步数由前面的重复层定义 .