操作方法
教程概述 本文分为4部分： 1. LSTM输入层。 2. 具有单输入样本的LSTM示例。 3. 具有多个输入特征的LSTM示例。 4. LSTM输入提示。
LSTM输入层 LSTM输入层是由神经网络第一个隐藏层上的“input_shape”参数指定的。这可能会让初学者感到困惑。例如，以下是具有一个隐藏的LSTM层和一个密集输出层组成的神经网络示例。
在这个例子中，我们可以看到LSTM（）层必须指定输入的形状。而且每个LSTM层的输入必须是三维的。这输入的三个维度是： 样品。一个序列是一个样本。批次由一个或多个样本组成。 时间步。一个时间步代表样本中的一个观察点。 特征。一个特征是在一个时间步长的观察得到的。 这意味着输入层在拟合模型时以及在做出预测时，对数据的要求必须是3D数组，即使数组的特定维度仅包含单个值。 当定义LSTM网络的输入层时，网络假设你有一个或多个样本，并会给你指定时间步长和特征数量。你可以通过修改“ input_shape ”的参数修改时间步长和特征数量。例如，下面的模型定义了包含一个或多个样本，50个时间步长和2个特征的输入层。
具有单输入样本的LSTM示例 考虑到你可能会有多个时间步骤和一个特征序列的情况，所以我们先从这种情况讲起。例如，这是一个包含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NumPy数组。
然后，我们可以使用NumPy数组中的reshape（）函数将这个一维数组重构为三维数组，每个时间步长为1个样本，那么我们需要10个时间步长和1个特征。 在数组上调用的reshape（）函数需要一个参数，它是定义数组新形状的元组。我们不能干涉数据的重塑，重塑必须均匀地重组数组中的数据。
一旦重塑，我们可以打印阵列的新形状。
完整的例子如下：
运行示例打印单个样本的新3D形状：
该数据现在可以为input_shape（10，1）的LSTM的输入（X）。
具有多个输入功能的LSTM示例 你的模型可能有多个并行数据作为输入的情况，接下来我们来看看这种情况。 例如，这可以是两个并行的10个值： series 1: 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0 series 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具有10行的2列的矩阵：
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：
完整的例子如下：
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。