# 使用 Keras RNN 模型預處理數據集 與使用 lower = level TensorFlow 類和方法構建相比，在 Keras 中構建 RNN 網絡要簡單得多。對于 Keras，我們預先處理數據，如前面部分所述，以獲得受監督的機器學習時間序列數據集：`X_train, Y_train, X_test, Y_test`。 從這里開始，預處理有所不同。對于 Keras，輸入必須是`(samples, time steps, features)`形狀。當我們將數據轉換為監督機器學習格式時，在重塑數據時，我們可以將時間步長設置為 1，從而將所有輸入時間步長作為特征，或者我們可以設置時間步長為實際的時間步數，從而為每個時間步長提供特征集。換句話說，我們之前獲得的`X_train`和`X_test`數據集可以重新整形為以下方法之一： 方法 1：`n`時間步長與`1`特征： ```py X_train.reshape(X_train.shape[0], X_train.shape[1],1) ``` 方法 2：`1`時間步長`n`特征： ```py X_train.reshape(X_train.shape[0], 1, X_train.shape[1]) ``` 在本章中，我們將對特征大小為 1 的數據集進行整形，因為我們只使用一個變量作為輸入： ```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) ```