尝试通过更改许多参数来解决以下问题时，我收到了多个diffrent ValueErrors。
这是一个time series problem，我有60个商店，215个项目，1034天的数据。我已经将973天的火车时间和61天的测试时间分开了：
train_x = train_x.reshape((60, 973, 215))
test_x = test_x.reshape((60, 61, 215))
train_y = train_y.reshape((60, 973, 215))
test_y = test_y.reshape((60, 61, 215))
我的模特：
model = Sequential()
model.add(LSTM(100, input_shape=(train_x.shape[1], train_x.shape[2]),
return_sequences='true'))
model.add(Dense(215))
model.compile(loss='mean_squared_error', optimizer='adam', metrics=
['accuracy'])
history = model.fit(train_x, train_y, epochs=10,
validation_data=(test_x, test_y), verbose=2, shuffle=False)
ValueError：检查输入时出错：预期lstm_1_input具有
形状（973，215），但数组的形状为（61，215）
最佳答案
您已按照时间步长（而不是样本）拆分了数据。您首先需要确定样本是什么。为了回答这个问题，我将假设它们沿着第一个轴（假设数据已经作为有监督的时间序列问题进行了框架化）。
LSTM中的input_size预期为(timesteps, data_dim)的形状，如here所述，并且每批这些尺寸必须保持相同。在您的示例中，来自训练和测试的样本具有不同的维度。批处理大小可以不同（除非使用batch_size参数指定）。
您的数据应沿第一个轴在训练和测试之间划分。这是Keras教程中的一个类似示例：
from keras.models import Sequential
from keras.layers import LSTM, Dense
import numpy as np
data_dim = 16
timesteps = 8
num_classes = 10
# expected input data shape: (batch_size, timesteps, data_dim)
model = Sequential()
model.add(LSTM(32, return_sequences=True,
input_shape=(timesteps, data_dim))) # returns a sequence of vectors of dimension 32
model.add(LSTM(32, return_sequences=True)) # returns a sequence of vectors of dimension 32
model.add(LSTM(32)) # return a single vector of dimension 32
model.add(Dense(10, activation='softmax'))
model.compile(loss='categorical_crossentropy',
optimizer='rmsprop',
metrics=['accuracy'])
# Generate dummy training data
x_train = np.random.random((1000, timesteps, data_dim))
y_train = np.random.random((1000, num_classes))
# Generate dummy validation data
x_val = np.random.random((100, timesteps, data_dim))
y_val = np.random.random((100, num_classes))
model.fit(x_train, y_train,
batch_size=64, epochs=5,
validation_data=(x_val, y_val))
您会注意到，
timesteps对于训练和测试数据与x_train.shape[1] == x_val.shape[1]相同。沿第一个轴的采样数不同。x_train.shape[0]是1000，x_val.shape[0]是100。