进一步理解LSTM（2），每个月都要回来学习一下

np.expand_dims有什么用?扩展数组的形状

扩展一个张量的维度,将二维的标签数组变为三维的

假设你有一张灰度图，读取之后的shape是（360，480）
而模型的输入要求是（1，360，380）或者是（360，480，1）
那么你就可以通过np.expand_dims(a, axis=0)或者np.expand_dims(a, axis=-1)，将形状改变为满足模型的输入。

也可以用reshpe（）转化成三维

3d输入

样本（samples）：一个序列（依上例，转化后，每一行）就是一个样本。
时间步长（time steps）：一个样本包含多个时间步长，即滑动窗口的宽度
特征（features）：包含多少个特征，比如降水量预测中的温度、湿度、风速、气压特征，那么指定 feature 就是 4

数据集是二维的，数组形状是：[samples, features]。区别是添加了时间步长维度。在时间序列预测问题中，特征是在时间步长的观测值。所以实际上是在增加特征的维度，一个单变量时间序列只有一个特征。

转化成三维之后，其实二维上是形状为[samples, time steps]的二维数组，然后第三个维度是features，想象一下立方体，每增加一个特征（features）就相当于沿着Z轴叠加二维数组。

回去重新看一下，是不是之前那份代码，他里面是丢弃了时间列，所以才一直显示一维的情况，然后后面我又用reshape把他变成3d才可以训练。