为什么我们需要重塑LSTM的输入？

Question

我阅读了有关LSTM的这篇文章：

第一个基本示例是关于“香草LSTM”的：预测下一个时间序列

其中输入= [10, 20, 30, 40, 50, 60, 70, 80, 90]

在本文中，作者将输入（序列）分成矩阵：

X,              y
10, 20, 30      40
20, 30, 40      50
30, 40, 50      60
...

我不明白为什么输入需要重塑：

reshape from [samples, timesteps] into [samples, timesteps, features]

1。我们为什么需要这个？

此外，如果我的输入是喜欢的（基本示例+ ID列：

ID    X,                y
1     10, 20, 30        40
1     20, 30, 40        50
2     30, 40, 50        60
2     40, 50, 60,       70
...

2。我们如何重塑它？我们将成为什么新维度？

Answer 1

不确定ID的来源，但是对于Keras中的LSTM网络，您需要输入3维数据。

最初，您将二维矩阵作为输入，其中每一行都是一个时间戳，因此[samples, timesteps]。

但是由于预期输入为3维，因此将其重塑为[samples, timesteps, 1]。此处1表示数据中具有的功能或变量的数量。由于这是一个单变量时间序列（您只有1个变量的序列），因此n_features为1。

这可以通过np_array.reshape(np_array_shape[0], np_array.shape[1], 1)轻松完成