# 使用 Keras RNN 模型预处理数据集 与使用 lower = level TensorFlow 类和方法构建相比，在 Keras 中构建 RNN 网络要简单得多。对于 Keras，我们预先处理数据，如前面部分所述，以获得受监督的机器学习时间序列数据集：`X_train, Y_train, X_test, Y_test`。 从这里开始，预处理有所不同。对于 Keras，输入必须是`(samples, time steps, features)`形状。当我们将数据转换为监督机器学习格式时，在重塑数据时，我们可以将时间步长设置为 1，从而将所有输入时间步长作为特征，或者我们可以设置时间步长为实际的时间步数，从而为每个时间步长提供特征集。换句话说，我们之前获得的`X_train`和`X_test`数据集可以重新整形为以下方法之一： 方法 1：`n`时间步长与`1`特征： ```py X_train.reshape(X_train.shape[0], X_train.shape[1],1) ``` 方法 2：`1`时间步长`n`特征： ```py X_train.reshape(X_train.shape[0], 1, X_train.shape[1]) ``` 在本章中，我们将对特征大小为 1 的数据集进行整形，因为我们只使用一个变量作为输入： ```py # reshape input to be [samples, time steps, features] X_train = X_train.reshape(X_train.shape[0], X_train.shape[1],1) X_test = X_test.reshape(X_test.shape[0], X_train.shape[1], 1) ```