LSTM 层处理具有以下结构（nb_sequence、nb_timestep、nb_feature）的 3D 数据。

• nb_sequence 对应于数据集中的序列总数（如果您使用的是小批量学习，则对应于批量大小）。
• nb_timestep 对应于序列的大小。
• nb_feature 对应于描述每个时间步长的特征数。

因此，LSTM 层将像这样工作：
让$t_i$成为$i^{th}$序列的时间步长$seq_j$， 和$i \in [0, nb\_timestep], \ j \in [0, nb\_sequence]$.
LSTM 层将进行预测$p_i$ 根据 $nb\_feature$ 的描述符 $t_i$ 关于它的隐藏状态，它是时间步长的表示 $t_0$ 到 $t_{i-1}$.

现在，让我们看看这对您的两种配置意味着什么。为了便于解释，我假设我们有单词序列

• 对于 (53394, 3, 1)，LSTM 将处理 53394 个不同的序列。每个序列长 3 个单词，每个单词仅通过一个特征描述。对于每个序列的第一个单词，LSTM 将对其唯一的描述符进行预测。对于第二个词，将根据第一个词的唯一描述符进行预测。最后，对于序列中的第三个和最后一个单词，LSTM 将根据唯一描述符发出关于前两个单词的预测。然后，LSTM 为以下序列重新开始该过程。
• 对于 (53394, 1, 3)，您的序列仅包含一个通过 3 个特征描述的单词。一个单词的序列并不是真正的序列，因此 LSTM 层在这种情况下将没有用处。

希望它能弄清楚如何将数据馈送到 LSTM ！

注意。与问题无关，但它可能会有所帮助：从您的原始形状来看，您的数据集似乎包含 53394 个单词，描述了 3 个特征。如果我是对的，您将需要像 (53394, nb_timestep, 3) 这样的 3D 形状，但要使用$nb\_timestep \neq 1$. 那么你需要的是定义一些窗口而不是重塑你的数据。

循环单元（LSTM，还有 GRU 和基本 RNN 单元）的输入遵循以下模式：

( number of observations , lenght of input sequence , number of variables )

假设您lenght of input sequence是 3，并且只有一个变量，您可以使用：

LSTM(32, input_shape=(3, 1))

正如你所看到的，当你声明一个不需要指定的LSTM()层时，Keras 会自动处理它。number of observations

在此之前，您必须将矩阵重塑为(53394, 3, 1). 您可以使用np.expand_dims()或.reshape()命令。