对于新手开发者来说，为LSTM模型准备序列数据可能非常困难。通常，初学者对如何定义LSTM模型的输入层感到困惑。如何将可能是1D或2D数字矩阵的序列数据转换为LSTM输入层所需的3D格式也有困难。
在本文中，您将学习如何将输入图层定义为LSTM模型，以及如何重建可以输入到LSTM模型中的输入数据。
看完这篇文章，你会知道：
如何定义LSTM的输入层？
如何重塑LSTM模型的一维序列数据并定义输入层。
如何重塑LSTM模型的多平行系列数据并定义输入层。
00-1010
教程概述
1.lstm输入层。2.单输入样本的LSTM示例。
3.具有多种输入功能的LSTM示例。
4.LSTM输入提示。
LSTM输入层
LSTM输入层由神经网络第一个隐藏层上的“输入形状”参数指定。这可能会让初学者感到困惑。例如，以下是具有隐藏LSTM层和密集输出层的神经网络的示例。
model=sequential()model . add(LSTM(32))model . add(density(1))在这个例子中，我们可以看到LSTM()层必须指定输入的形状。并且每个LSTM层的输入必须是三维的。输入的三个维度是：
样本。序列就是样本。一批由一个或多个样品组成。
时间到了。时间步长代表样本中的一个观察点。
特色。在一个时间步长中观察到一个特征。
这意味着，当输入图层符合模型并进行预测时，数据必须是3D数组，即使数组的特定维度仅包含单个值。
定义LSTM网络的输入图层时，网络假设您有一个或多个样本，并将为您指定时间步长和要素数量。您可以通过修改“input_shape”的参数来修改时间步长和特征数量。例如，以下模型定义了包含一个或多个样本、50个时间步长和2个要素的输入图层。
模型=顺序()
model.add(LSTM(32，input_shape=(50，2)))
model . add(density(11))现在，我们已经知道了如何定义LSTM的输入层，接下来让我们看一些如何为LSTM准备数据的例子。
单输入样本的LSTM示例
考虑到您可能有多个时间步骤和一个特征序列，让我们从这种情况开始。例如，这是10个数字的序列：
0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0
我们可以将这个数字序列定义为一个NumPy数组。
从numpy导入数组
Data=array ([0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9，1.0])然后，我们可以使用NumPy array中的refresh()函数将这个一维数组重构为三维数组，每个时间步长是一个样本，所以我们需要10个时间步长和一个特征。
在数组上调用的resform()函数需要一个参数，该参数是定义数组新形状的元组。我们不能干涉数据的重塑，它必须均匀地重组数组中的数据。
data=data . reshold((1，10，1))一旦它被重新整形，我们就可以打印数组的新形状。
打印(data.shape)的完整示例如下：
从numpy导入数组
data=array([0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9，1.0])
data=data . resform((1，10，1))
打印(数据.形状)运行样本以打印单个样本的新三维形状：
(1，10，1)该数据现在可以是input _ shape (10，1)的LSTM的输入(x)。
模型=顺序()
model.add(LSTM(32，input_shape=(10，1)))
model . add(density(11))是具有多个输入函数的LSTM的一个例子。
您的模型可能有多个并行数据作为输入。让我们来看看这种情况。
例如，这可以是两个并行的10值：
系列1: 0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9、1.0
系列2: 1.0、0.9、0.8、0.7、0.6、0.5、0.4、0.3、0.2、0.1
我们可以将这些数据定义为10行2列的矩阵：
从numpy导入数组
数据=数组([
[0.1, 1.0],[0.2, 0.9],[0.3, 0.8],[0.4, 0.7],[0.5, 0.6],[0.6, 0.5],[0.7, 0.4],[0.8, 0
.3], [0.9, 0.2], [1.0, 0.1]])该数据可以被设置为1个样本，具有10个时间步长和2个特征。
它可以重新整形为3D阵列，如下所示：
data = data.reshape(1, 10, 2)完整的例子如下：
from numpy import array data = array([ [0.1, 1.0], [0.2, 0.9], [0.3, 0.8], [0.4, 0.7], [0.5, 0.6], [0.6, 0.5], [0.7, 0.4], [0.8, 0.3], [0.9, 0.2], [1.0, 0.1]]) data = data.reshape(1, 10, 2) print(data.shape)运行示例打印单个样本的新3D形状。
(1, 10, 2)
该数据现在可以为input_shape（10,2）作为LSTM的输入（X）使用。
model = Sequential() model.add(LSTM(32, input_shape=(10, 2))) model.add(Dense(1))LSTM输入提示
接下来我列出了在为LSTM准备输入数据时可以帮助你的一些提示。
1.LSTM输入层必须是3D。
2.3个输入尺寸的含义是：样本，时间步长和特征。
3.LSTM输入层由第一个隐藏层上的input_shape参数定义。
4.所述input_shape参数是限定的时间的步骤和特征数量的两个值的元组。
5.样本数默认假定为大于1。
6.NumPy数组中的reshape（）函数可用于将你的1D或2D数据重塑为3D。
7.reshape（）函数会将一个元组作为新定义的形状的参数。
进一步阅读
如果你进一步了解，本部分将提供有关该主题的更多资源。
Recurrent Layers Keras API。
Numpy reshape（）函数API。
如何将时间序列转换为Python中的监督学习问题。
时间序列预测作为监督学习。
如果你在LSTM上有任何问题，可以去原文作者博客与之交流。
本文由本文由北邮@爱可可-爱生活老师推荐，@阿里云云栖社区组织翻译。
文章原标题《How to Reshape Input Data for Long Short-Term Memory Networks in Keras》
作者：Jason Brownlee
作者博客地址：http://machinelearningmastery.com/blog/
译者：ykdc 审阅：主题曲哥哥