模型添加（密度（8， input_dim=2， 激活=“tanh”， use_bias=假）） 模型.添加（SimpleRNN（2， 激活=“tanh”， use_bias=假）） 模型.添加（密度（1， 激活=“tanh”， use_bias=假）） ValueError:输入0与层simple_rnn_1不兼容：应为ndim=3，发现ndim=2 
1答案
model.add（重塑（（TimeSteps，Features）） 
-
太棒了，谢谢，还有一个问题。 第一个解决方案是完美的，但如果我想要无限时间步长怎么办（我知道，理论问题是无限时间步调是愚蠢的）？ 然后，我必须使用您的第二个解决方案来重塑第一层的输出。 但是，我用XOR的记忆序列做了一个简单的测试，当我改变输出时，网络并没有像我预期的那样对其作出反应。 更好的说法是，它返回的输出与洗牌前相同。 重塑究竟如何影响递归层的工作（与第一个解决方案相比）？ – 开发1223 2017年9月16日18:56 -
1 重塑只是获取数据（任何数据），它只不过是一个被分段的数字的直序列。 假设您有300个元素。 当您像（30,10,1）那样重新塑造它们时，您只需以不同的方式分隔这300个元素。 因此，如果您是为了序列目的而进行重塑，那么您必须知道要实现什么，以及数据的格式是什么，这样才能以一种重要的方式对其进行重塑。 – 丹尼尔·莫勒 2017年9月16日19:10 -
对于无限序列，您可能只需要输入1个样本 （BatchSize=1，TimeSteps，功能） ，并用 stateful=真 这意味着层将保持其内存，下一批将被视为以单个顺序继续上一批。 在这种情况下，当您决定一个序列结束并开始输入另一个序列时，必须手动“擦除内存”（称为“重置状态”）。 – 丹尼尔·莫勒 2017年9月16日19:12 -