这是我为形状（7000，2，200）的LSTM准备的数据X_train
[[[0.500858 0. 0.5074856 ... 1. 0.4911533 0. ]
[0.4897923 0. 0.48860878 ... 0. 0.49446714 1. ]]
[[0.52411383 0. 0.52482396 ... 0. 0.48860878 1. ]
[0.4899698 0. 0.48819458 ... 1. 0.4968341 1. ]]
...
[[0.6124623 1. 0.6118705 ... 1. 0.6328777 0. ]
[0.6320492 0. 0.63512635 ... 1. 0.6960175 0. ]]
[[0.6118113 1. 0.6126989 ... 0. 0.63512635 1. ]
[0.63530385 1. 0.63595474 ... 1. 0.69808865 0. ]]]我创建了我的序列模型
model = Sequential()
model.add(LSTM(units = 50, activation = 'relu', input_shape = (X_train.shape[1], 200)))
model.add(Dropout(0.2))
model.add(Dense(1, activation = 'linear'))
model.compile(loss = 'mean_squared_error', optimizer = 'adam')然后我拟合我的模型：
history = model.fit(
X_train,
Y_train,
epochs = 20,
batch_size = 200,
validation_data = (X_test, Y_test),
verbose = 1,
shuffle = False,
)
model.summary()最后我可以看到这样的东西：
Layer (type) Output Shape Param #
=================================================================
lstm_16 (LSTM) (None, 2, 50) 50200
dropout_10 (Dropout) (None, 2, 50) 0
dense_10 (Dense) (None, 2, 1) 51为什么说输出形状的第一个元素是None值？是不是有问题？或者应该是这样的？它改变了什么？怎么改变？
我将感激任何帮助，谢谢！
1条答案
按热度按时间djmepvbi1#
TensorFlow中的第一个值始终保留给
batch-size。您的模型事先并不知道您的batch-size是多少，因此将其设置为None。如果我们进一步讨论细节，假设您的数据集为1000个样本，而您的**batch-size为32。因此，1000/32将变为31.25**。如果我们只取下限值，即31。那么，总共将有31个批次，大小为32。但如果您看这里，数据集的总样本大小为1000，但您有31个批次，大小为32，即32 * 31 = 992，其中1000 - 992 = 8，这意味着还将有一批大小为8的产品。但模型事先不知道，那么它会做什么？它在内存中保留了一个空间，在该空间中它不为它定义特定的形状，换句话说，内存对于**batch-size是动态的。因此，您将在此处看到它None**。因此，模型事先不知道我的batch-size的形状，因此将其设置为None，以便稍后在计算第一个时期时知道它，即计算所有批次。无法更改None值，因为它在Tensorflow中是Dynamic，模型知道它并在您的模型完成其第一个时期时修复它。请始终将其后面的形状设置为**
(2, 200)。7000是您的模特的样本总数，因此模特事先不知道您的批次是多少-size**，另一个大问题是，大多数情况下，您的batch-size不能被您的数据集中的样本总数整除，因此，模型必须将其设置为None，以便在第一个时期计算所有批次时了解它。