我正在尝试使用 Keras 功能 API 训练 LSTM 模型。我的训练数据是形状：
>>> data.shape()
(100000,variable_sequence_lengths,295)
其中 100000 对应于实例数（序列的整数），295 表示给定序列的每个元素中的特征数。
我收到有关输入数据形状的错误。考虑到可变序列长度，如何定义输入层和后续层（LSTM）中数据的形状？
from keras.layers import Input, Dense, concatenate, LSTM
from keras.models import Model
import numpy as np
inputs = Input(shape=(x,y,z))
x=LSTM(128, return_sequences=True, input_shape=(a,b,c))(inputs)
....
x、y、z和a、b、c应该取什么值？
型号规格为每个样品，样品数量不应包含在尺寸中，即(a, b, c)或(sample_size, timesteps, dimension)应更改为(timesteps, dimension)。此外，对于可变长度序列，timesteps应该是None. 也就是说，(timesteps, dimension)应该是(None, 295)。也是如此(x, y, z)。
请查看这篇文章，了解如何将可变长度多维序列提供给 Keras LSTM。
在 Keras 函数式 API 中，您只能使用一个 Input 函数，如下所述。如果您使用过 Input，则不要在 LSTM 层中提及输入形状。
from keras.layers import Input, Dense, concatenate, LSTM
from keras.models import Model
import numpy as np
# 64 = batch size
# 128 = sequence length
# 295 = number of features
inputs = Input(shape = (64, 128, 295))
x = LSTM(128, return_sequences = True)(inputs)
过去我曾想过这个问题。但是从我能够确定的一切来看，实际上不可能对同一个网络有不同的输入大小。例如，如果您有一个长度为 300 的序列和一个长度为 500 的序列，要将它们用作同一网络中的输入，您将不得不通过以某种方式填充它的末端来扩展较小序列的长度，或者分解较长的一个变成较小的子序列。如果您绝对必须使用不同长度的输入，并且不能使用这两种方法中的任何一种，您可能需要切换到隐马尔可夫模型，该模型使用转移概率进行预测，可以使用先验概率进行当前预测，并将对输入到它的任何长度序列的预测。这仍然是大多数长序列遗传学工具的事实标准。
但是，您可能会尝试的另一种方法，特别是如果您对序列标记感兴趣而不仅仅是序列分类，是使用自然语言处理风格，即在目标周围设置一个上下文窗口。您通过网络运行子序列，然后使用新的上下文窗口将窗口滑过一个。非常耗时，但有可能非常有效。