LSTM的输入格式和输出个数说明

前言

最近使用LSTM 神经网络进行预测的时候，突然发现对其输入输出不是很清晰，照着大佬们的改改还行，不能深入了解，有点难受呀。
下面简单介绍一下。

讨论

转换为LSTM的3D格式（samples，time steps，feature）
samples ：就是指样本个数
time steps：时间步长
feature：特征的维度（我的理解是一维数据就是1，二维数组就是2），针对于训练数据的格式
LSTM的input_shape：（time steps，feature）
全连接层Dense()的输出个数

单维单步

时间序列：10，20，30，40，50，60，70，80，90

• 前一个数据预测下一个数据

10 -----》20
20 -----》30
30 -----》40
40 -----》50
50 -----》60
60 -----》70
70 -----》80
80 -----》90

trainX.shape（8，1）
trainY.shape（8，1）
reshape为：（8，1，1）
LSTM的input_shape为：（time steps，feature）（1，1）这里上面reshape数据的后两位一样。
很多大佬写代码时，喜欢trainX.shape[1],trainX.shape[2]这样的格式，搞清楚原理后，咋写都行。
最后的全连接层Dense() ，这里是指输出的个数，1

• 前三个数据预测下一个数据

10 20 30  -----》40
20 30 40  -----》50
30 40 50  -----》60
40 50 60  -----》70
50 60 70  -----》80
60 70 80  -----》90

trainX.shape（6，3）
trainY.shape（6，1）
reshape为：（6，3，1）
LSTM的input_shape为：（3，1）
全连接层Dense()的个数：1

单维多步

时间序列：10，20，30，40，50，60，70，80，90
前三步预测下两步

10 20 30  -----》40 50
20 30 40  -----》50 60
30 40 50  -----》60 70
40 50 60  -----》70 80
50 60 70  -----》80 90

trainX.shape（5，3）
trainY.shape（5，2）
reshape为：（5，3，1）
LSTM的input_shape为：（3，1）
全连接层Dense()的个数：2

多维单步

前三步预测下一步
这里借用大佬的图片数据

trainX.shape（4，3，2），feature 为2 ，两维
trainY.shape（4，2）
reshape为：（4，3，2） # 不用reshape也行
LSTM的input_shape为：（3，2）
全连接层Dense()的个数：2

多维多步

前三步预测后两步

trainX.shape（3，3，2），feature 为2 ，两维
trainY.shape（3，2，2）
reshape为：（3，3，2） # 不用reshape也行
LSTM的input_shape为：（3，2）
全连接层Dense()的个数：4 # 输出四个值
这里的话，代码上是要做处理的，详细请参考https://blog.csdn.net/qq_35649669/article/details/89575949

总结

• 不同预测方式的数据格式要相对应改变
• LSTM对应数据要正确，其实有些地方对不上的话，也不影响代码正常运行，但是要科学对待