ValueError：层cu_dnnlstm的输入0与该层不兼容：预期ndim = 3，找到的ndim = 2收到完整的图形：[无，175]

如何解决ValueError：层cu_dnnlstm的输入0与该层不兼容：预期ndim = 3，找到的ndim = 2收到完整的图形：[无，175]

我正在尝试使用CuDNNLSTM，尽管我正在关注有关此的教程，但我不知道为什么会得到这个奇怪的错误，我可以理解，但我无法调试： 因此，我有一个4073个时间序列* 175个特征数组，我正尝试将这175个特征一次传递给一个顺序模型，传递给CuDNNLSTM层，以使模型从中学习一些东西。

“ AlvoH”是RNN的目标。

代码：

train_x,train_y = trainDF,trainDF["AlvoH"]
validation_x,validation_y = validationDF[:-Sequencia],validationDF["AlvoH"][:-Sequencia]

print(train_x.shape[1:])

model = Sequential()
model.add(CuDNNLSTM(512,input_shape=(train_x.shape[1:]),return_sequences=True))
model.add(Dropout(0.2))
model.add(BatchNormalization())

model.add(Dense(3,activation="softmax"))

opt = tf.keras.optimizers.Adam(learning_rate=0.001,decay=1e-6)

model.compile(loss="sparse_categorical_crossentropy",optimizer=opt,metrics=["accuracy"])

tensorboard = TensorBoard(log_dir=f'logs/{NAME}')

checkpoint = tf.keras.callbacks.ModelCheckpoint("models/{}.model".format("RNN_Final-{EPOCH:02d}",monitor="val_acc",verbose=1,save_best_only=True,mode="max"))

history = model.fit(train_x,train_y,batch_size=BATCH_SIZE,epochs=EPOCHS,validation_data=(validation_x,validation_y),callbacks=[tensorboard,checkpoint])

错误：

回溯（最近通话最近一次）：

中的文件“ ml.py”，第64行

model.add(CuDNNLSTM(512,input_shape=(train_x.shape[1:None]),return_sequences=True))

_method_wrapper中的第456行“ C：\ Users \ Anaconda3 \ lib \ site-packages \ tensorflow \ python \ training \ tracking \ base.py” 结果=方法（自己，* args，** kwargs） 添加文件“ C：\ Users \ Anaconda3 \ lib \ site-packages \ tensorflow \ python \ keras \ engine \ sequential.py”，行198 层（x） 在调用中的文件“ C：\ Users \ Anaconda3 \ lib \ site-packages \ tensorflow \ python \ keras \ layers \ recurrent.py”，行654 返回超级（RNN，自身）。调用（输入，** kwargs） 在调用中的文件“ C：\ Users \ Anaconda3 \ lib \ site-packages \ tensorflow \ python \ keras \ engine \ base_layer.py”，第886行 self.name） 文件“ C：\ Users \ Anaconda3 \ lib \ site-packages \ tensorflow \ python \ keras \ engine \ input_spec.py”，行180，处于assert_input_compatibility str（x.shape.as_list（））） ValueError：层cu_dnnlstm的输入0与该层不兼容：预期ndim = 3，找到的ndim = 2。收到完整的图形：[无，175]

只要我能理解，本教程是在Tensorflow 2.0之前完成的，并且安装了2.0，我注意到有些变化，特别是CuDNNLSTMs层已经改变了，该层具有dif方法导入，因此问题可能是在那里。

这是这些2.0更改的结果吗？我尝试了所有方法，从传递train_x.shape，train_x.shape [1：]，train_x.shape [：1]开始，尽管它应该有意义，依此类推，但我感到被卡住了。

提前感谢您的回答！

解决方法

在tensorflow 2.x中，您不必使用CuDNNLSTM，默认情况下，简单的LSTM层将在较低级别使用CuDNNLSTM。 input_shape =（train_x.shape [1：]）的形状必须在范围2内，将输入更改为shape（4073，175，1）并尝试例如：

model = Sequential()
model.add(LSTM(512,input_shape=(175,1),return_sequences=True))
model.add(Dropout(0.2))
model.add(BatchNormalization())

,

为了使代码正确训练，我必须进行更改。

    train_x,train_y = array(trainDF[trainDF.columns.tolist()[:-1]]),array(trainDF["AlvoH"])
    validation_x,validation_y = array(validationDF[validationDF.columns.tolist()[:-1]][:-Sequencia]),array(validationDF["AlvoH"][:-Sequencia])
    train_x = train_x.reshape(train_x.shape[0],train_x.shape[1],1)
    train_y = train_y.reshape(train_y.shape[0],1,1)
    validation_x = validation_x.reshape(validation_x.shape[0],validation_x.shape[1],1)
    validation_y = validation_y.reshape(validation_y.shape[0],1)
    
    model = Sequential()
    model.add(LSTM(1024,input_shape=(train_x.shape[1:]),return_sequences=True))
    model.add(Dropout(0.2))
    model.add(BatchNormalization())
    
    model.add(Dense(3,activation="softmax"))
    
    opt = tf.keras.optimizers.Adam(learning_rate=0.0001,decay=1e-8)
    
    model.compile(loss="sparse_categorical_crossentropy",optimizer=opt,metrics=["accuracy"])
    
    tensorboard = TensorBoard(log_dir=f'logs/{NAME}')
    
    filepath = "RNN_Final-{epoch:02d}"
    checkpoint = ModelCheckpoint("TEMP/{}.model".format(filepath,monitor="val_acc",verbose=1,save_best_only=True,mode="max"))
    
    history = model.fit(train_x,train_y,batch_size=BATCH_SIZE,epochs=EPOCHS,validation_data=(validation_x,validation_y),callbacks=[tensorboard,checkpoint])

第一个方面是解决的，因为我必须将数组传递给numpy数组并进行一些更改，如https://machinelearningmastery.com/reshape-input-data-long-short-term-memory-networks-keras/所建议 但是现在，我还有另一个问题，这使我感到困惑，并且与此有关：如果我编写代码，则在培训结束时：

print(len(model.layers[0].get_weights()[0][0])) 
print(train_x.shape[1:]) 

我会得到：

4096 
(174,1) 

这意味着，我认为我在第一个LSTM层上有4096个权重，而在这里我应该只有174个。我对吗？