详细说明用keras建立训练自己数据的LSTM----语音方向

最近在研究用keras实现一个LSTM来训练自己的数据(LSTM的基本原理请自行补习），一开始自己用的数据用DNN来训练，后来要转向LSTM,因为两者的输入是不一样的，所以有些焦头烂额，DNN的输入格式为input:（samples，dim），是二维数据，而LSTM的输入格式为input：（samples，time_step，dim）是三维的，所以，要先理解如何把DNN的输入转换为LSTM的输入，下面我就来详细说明一下。

DNN的输入是以帧为单位，每帧的输入对应一个输出，假如说，你有n句话，每句话的帧数都不相同，假如一共有m帧，进行一定的处理后，维度为di，将这些数据帧合并在一起，形成一个（m,di）的矩阵，作为DNN的输入，而（m,dl）作为DNN的标签进行训练，这就完成了DNN的训练，接下来我们就要把这个（m,di）的数据转换为LSTM的数据，进行训练LSTM。

首先我们要知道LSTM的输入是一个序列，也就是一系列的连续的帧，这是与DNN输入数据的最大不同之处，现在按上面的假设，每句话长度都不同，所以，现在我们处理的LSTM的输入是变长序列，借鉴的是http://www.cnblogs.com/leeshum/p/6089286.html，这里面讲的很清楚，既然是变长，我们就要把数据补成定长，具体操作如下。

找出所有句子中最长的那句，假如是200帧，那我们就将所有的句子都补成200帧这么长，具体的方法自己选择，MATLAB和python都可以很容易的实现，将这些句子补成200帧以后，对应的标签也要补成200帧，然后将这些句子合并成类似于DNN输入的数据（200*num_sentence,dim）,现在LSTM的输入其实就是以句子为单位的，LSTM的输入形式（samples，time_step，dim）中samples就是句子数，time_step就是200，所以在数据处理数据的时候，你就把这个（200*num_sentence,dim）的数据reshape成（num_sentence,200,dim）,这个输入就是LSTM的输入，此时输出的形式也要转换成与之对应的形式（num_sentence,200,dim_label）,在训练时，batch的大小就是句子的个数，reshape完成后，在输入LSTM之前需要把补的数据过滤掉，具体看http://www.cnblogs.com/leeshum/p/6089286.html，这里讲的很清楚，现在，LSTM的输入和输出都搞定，可以去搭建自己的LSTM进行训练了。