在keras或Tensorflow中的LSTM层之前添加密集层？

Question

我正在尝试实现一个带有 LSTM 层的去噪自动编码器。架构如下。

FC layer -> FC layer -> LSTM cell -> FC layer -> FC layer.

我无法理解我的输入维度应该如何实现此架构？

我尝试了以下代码

batch_size = 1
model = Sequential()
model.add(Dense(5, input_shape=(1,)))
model.add(Dense(10))
model.add(LSTM(32))
model.add(Dropout(0.3))
model.add(Dense(5))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(trainX, trainY, nb_epoch=100, batch_size=batch_size, verbose=2)

我的 trainX 是 [650,20,1] 向量。是只有一个特征的时间序列数据。

我收到以下错误

ValueError                                Traceback (most recent call last)
<ipython-input-20-1248a33f6518> in <module>()
      3 model.add(Dense(5, input_shape=(1,)))
      4 model.add(Dense(10))
----> 5 model.add(LSTM(32))
      6 model.add(Dropout(0.3))
      7 model.add(Dense(5))

/usr/local/lib/python2.7/dist-packages/keras/models.pyc in add(self, layer)
    330                  output_shapes=[self.outputs[0]._keras_shape])
    331         else:
--> 332             output_tensor = layer(self.outputs[0])
    333             if isinstance(output_tensor, list):
    334                 raise TypeError('All layers in a Sequential model '

/usr/local/lib/python2.7/dist-packages/keras/engine/topology.pyc in __call__(self, x, mask)
    527             # Raise exceptions in case the input is not compatible
    528             # with the input_spec specified in the layer constructor.
--> 529             self.assert_input_compatibility(x)
    530 
    531             # Collect input shapes to build layer.

/usr/local/lib/python2.7/dist-packages/keras/engine/topology.pyc in assert_input_compatibility(self, input)
    467                                          self.name + ': expected ndim=' +
    468                                          str(spec.ndim) + ', found ndim=' +
--> 469                                          str(K.ndim(x)))
    470             if spec.dtype is not None:
    471                 if K.dtype(x) != spec.dtype:

ValueError: Input 0 is incompatible with layer lstm_10: expected ndim=3, found ndim=2

Answer 1

密集层可以将序列作为输入，并将在每个向量（最后一个维度）上应用相同的密集层。示例：

你有一个表示序列 (timesteps, dim_features) 的二维张量输入，如果你对它应用一个密集层并输出 new_dim，你将在该层之后拥有的张量将是一个新的张量序列 (timesteps, new_dim)

如果你有一个 3D 张量 (n_lines, n_words, embedding_dim) 可以是一个文档，有 n_lines 行，每行 n_words 个词，每个词有 embedding_dim 个维度，应用具有 new_dim 输出的密集层将为您提供形状为 (n_lines, n_words, new_dim)

的新文档张量（3D）

您可以 see here 您可以使用 Dense() 层提供和获取的维度输入和输出。

Answer 2

虽然 Nassim Ben 已经解释了背景，但由于 Google 带我来到这里，我想提一下 tensorflow.keras.Layers.Reshape layer。

我最初是从“如何实现 dropout”的角度出发的，但运行遇到了同样的问题。

尽管不同的层类（可能）已经嵌入了它们自己的退出选项，但我喜欢在中间压扁自己的、单独的 tensorflow.keras.Layers.Dropout（因为它有助于我的弱者请注意跟踪它们）。

有

model.add(Reshape((1, Xtrain1.shape[1])))

现在依次压在 Dropout（或 Dense 形式）和 LSTM 的层之间，至少我说服自己，有一个解决方案将对张量维度有不同要求的不同层组合在一起。

在keras或Tensorflow中的LSTM层之前添加密集层？

Add dense layer before LSTM layer in keras or Tensorflow?

neural-network

deep-learning

lstm

keras

keras-layer