更多深度文章，请关注：https://yq.aliyun.com/cloud
对于初入门的开发人员来说，这可能是非常困难的事情为LSTM模型准备序列数据。通常入门的开发者会在有关如何定义LSTM模型的输入层这件事情上感到困惑。还有关于如何将可能是1D或2D数字矩阵的序列数据转换可以输入到LSTM输入层所需的3D格式的困难。
在本文中，你将了解如何将输入层定义为LSTM模型，以及如何重新构建可以输入到LSTM模型的输入数据。
看完本文后，你将知道：
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模型的多并行系列数据并定义输入层。
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。
model = Sequential()
model.add(LSTM(32))
model.add(Dense(1))
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。
model = Sequential()
model.add(LSTM(32, input_shape=(50, 2)))
model.add(Dense(1))
现在我们知道如何定义LSTM输入层，接下来我们来看一些我们如何为LSTM准备数据的例子。
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。
from numpy import array
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。
data = data.reshape((1, 10, 1))一旦重塑，我们可以打印阵列的新形状。
print(data.shape)完整的例子如下：
from numpy import array
data = array([0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0])
data = data.reshape((1, 10, 1))
print(data.shape)
运行示例打印单个样本的新3D形状：
(1, 10, 1)model = Sequential()
model.add(LSTM(32, input_shape=(10, 1)))
model.add(Dense(1))
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：
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]])
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。
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：袁虎 审阅：主题曲哥哥
文章为简译，更为详细的内容，请查看原文