ожидается, что плотность_1 будет иметь форму (1176,), но получен массив с формой (1288,)

Question

У меня проблемы с запуском этого, я пытаюсь предсказать запасы, но я не знаю, как будут реализованы какие-либо предложения

import numpy as np
import pandas as pd
import random
import matplotlib.pyplot as plt
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import Dropout
from keras.layers import LSTM
from keras.callbacks import ModelCheckpoint
from keras.utils import np_utils
seq_length = 10
random.seed(42)
dataset = pd.read_csv('GOOG.csv')
dataset = dataset.dropna()
dataset = dataset[['Close']]
dataset = dataset.values
x_train = []
y_train = []


for i in range(len(dataset)-(seq_length)):
    x_train.append(dataset[i:i+seq_length])
    y_train.append(dataset[i+seq_length])

x_train = np.array(x_train)
y_train = np.array(y_train)


x_test = x_train[(int((0.75)*len(x_train))):]
x_train = x_train[0:(int((0.75)*len(x_train)))]
y_test = y_train[(int((0.75)*len(y_train))):]
y_train = y_train[0:(int((0.75)*len(y_train)))]



x_train = np.reshape(x_train, (x_train.shape[0], seq_length, 1))

y = np_utils.to_categorical(y_train)
y_test = np_utils.to_categorical(y_test)
def Model():


    model = Sequential()
    model.add(LSTM(512, input_shape=(x_train.shape[1], x_train.shape[2]),return_sequences = True))
    model.add(Dropout(0.2))
    model.add(LSTM(512))
    model.add(Dropout(0.2))
    model.add(Dense(1176, activation='softmax'))


    model.compile(loss='categorical_crossentropy', optimizer='adam')


    filepath="weights-improvement-{epoch:02d}-{loss:.4f}.hdf5"
    checkpoint = ModelCheckpoint(filepath, monitor='loss', verbose=1, save_best_only=True, mode='min')
    callbacks_list = [checkpoint]
    print(x_train.shape)
    print(y.shape)
    print(y_test.shape)
    model.summary()
    model.fit(x_train, y, validation_data = (x_test, y_test), epochs=1000, batch_size=128, callbacks = callbacks_list)


Model()

Он должен начать подгонку набора данных, но данные проверки отбрасывают его. У меня нет большого опыта в этой теме, любые улучшения и / или объяснения приветствуются.