R语言Keras LSTM多变量输入维度配置与基数歧义报错解决

问题原因 #

1. 输入数组维度顺序错误：Keras时序模型要求输入维度为(样本数, 时间步, 特征数)，你构造的arr_x维度是(10,4,100)，会被模型识别为仅有10个样本，和100个标签的数量不匹配，触发基数歧义报错。
2. 模型结构不匹配输出要求：你开启了LSTM层的return_sequences = TRUE，会输出每个时间步的计算结果，无法直接和一维标签适配。
3. 编译参数配置错误：二分类任务需要指定损失函数为binary_crossentropy，你误将其放在了评估指标参数中。

修正代码 #

library("keras")
# 构造原始数据
x <- data.frame(
  x1 = sample(c(0,1), replace=TRUE, size=1000),
  x2 = sample(c(0,1), replace=TRUE, size=1000),
  x3 = sample(c(0,1), replace=TRUE, size=1000),
  x4 = sample(c(0,1), replace=TRUE, size=1000)
)
y <- data.frame(y = sample(c(0,1), replace=TRUE, size=100))

# 按时间步切分样本
x_list <- list()
for(i in 1:100) {
  # 若要使用全部1000行数据，可将切片改为 x[(10*(i-1)+1) : (10*i), ]
  x_list[[i]] <- x[(10*i+1) :((1+i)*10),]  
}

# 调整输入数组维度为 (样本数, 时间步, 特征数)
arr_x <- array_reshape(
  as.numeric(unlist(x_list)), 
  dim = c(length(x_list), dim(x_list[[1]])[1], dim(x_list[[1]])[2])
)

# 标签转换为矩阵格式
y <- as.matrix(y)

# 构造适配的LSTM模型
lstm_model <- keras_model_sequential()
lstm_model %>%
  layer_lstm(
    units = 64, 
    input_shape = c(10,4),
    return_sequences = FALSE # 仅输出最后一个时间步的结果，适配单值输出需求
  ) %>%
  layer_dense(units = 1, activation = "sigmoid") # 二分类输出层

# 修正编译参数
lstm_model %>%
  compile(
    optimizer = 'rmsprop', 
    loss = 'binary_crossentropy',
    metrics = 'accuracy'
  )

# 模型训练
lstm_model %>% fit(
  x = arr_x,
  y = y,
  batch_size = 1,
  epochs = 20,
  verbose = 1,
  shuffle = FALSE
)

内容的提问来源于stack exchange，提问作者patrick