- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
我正在尝试使用 Keras 中的多元 LSTM 进行多步时间序列预测。具体来说,我最初每个时间步都有两个变量(var1 和 var2)。遵循在线教程here ,我决定使用时间 (t-2) 和 (t-1) 处的数据来预测时间步 t 处 var2 的值。如示例数据表所示,我使用前 4 列作为输入,Y 作为输出。我开发的代码可以看here ,但我有三个问题。
var1(t-2) var2(t-2) var1(t-1) var2(t-1) var2(t)
2 1.5 -0.8 0.9 -0.5 -0.2
3 0.9 -0.5 -0.1 -0.2 0.2
4 -0.1 -0.2 -0.3 0.2 0.4
5 -0.3 0.2 -0.7 0.4 0.6
6 -0.7 0.4 0.2 0.6 0.7
最佳答案
从你的表格中,我看到你在单个序列上有一个滑动窗口,用 2 个步骤生成许多较小的序列。
如果您不使用该表格:请参阅问题 3
假设您使用该表作为输入,它显然是一个以两个时间步长作为输入的滑动窗口情况,您的 timeSteps
为 2。
您可能应该像 var1
和 var2
是同一序列中的功能一样工作:
input_shape = (2,2)
- 两个时间步长和两个特征/变量。我们不需要制作那样的 table 或 build 滑动窗柜。这是一种可能的方法。
您的模型实际上能够学习事物并决定该窗口本身的大小。
如果一方面您的模型能够学习长时间依赖性,从而允许您不使用窗口,另一方面,它可能会学会识别序列开头和中间的不同行为。在这种情况下,如果您想使用从中间(不包括开头)开始的序列进行预测,您的模型可能会像开头一样工作并预测不同的行为。使用 Windows 可以消除这种长期影响。我想哪个更好可能取决于测试。
不使用 Windows:
如果您的数据有 800 个步骤,请一次性输入所有 800 个步骤进行训练。
在这里,我们需要分离两个模型,一个用于训练,另一个用于预测。在训练中,我们将利用参数return_sequences=True
。这意味着对于每个输入步骤,我们都会得到一个输出步骤。
为了稍后进行预测,我们只需要一个输出,然后我们将使用 return_sequences= False
。如果我们要使用预测输出作为后续步骤的输入,我们将使用 stateful=True
层。
培训:
将输入数据构造为 (1, 799, 2)
,1 个序列,采用从 1 到 799 的步骤。两个变量都在同一序列中(2 个特征)。
将目标数据 (Y) 的形状也设置为 (1, 799, 2)
,采取相同的步骤,从 2 移动到 800。
使用return_sequences=True
构建模型。您可以使用timeSteps=799
,但也可以使用None
(允许可变的步数)。
model.add(LSTM(units, input_shape=(None,2), return_sequences=True))
model.add(LSTM(2, return_sequences=True)) #it could be a Dense 2 too....
....
model.fit(X, Y, ....)
预测:
为了进行预测,请创建一个类似的模型,现在使用 return_sequences=False
。
复制权重:
newModel.set_weights(model.get_weights())
例如,您可以输入长度为 800 的输入(形状:(1,800,2)
)并预测下一步:
step801 = newModel.predict(X)
如果您想预测更多,我们将使用 stateful=True
层。再次使用相同的模型,现在使用 return_sequences=False
(仅在最后一个 LSTM 中,其他保持 True)和 stateful=True
(全部)。将 input_shape
更改为 batch_input_shape=(1,None,2)
。
#with stateful=True, your model will never think that the sequence ended
#each new batch will be seen as new steps instead of new sequences
#because of this, we need to call this when we want a sequence starting from zero:
statefulModel.reset_states()
#predicting
X = steps1to800 #input
step801 = statefulModel.predict(X).reshape(1,1,2)
step802 = statefulModel.predict(step801).reshape(1,1,2)
step803 = statefulModel.predict(step802).reshape(1,1,2)
#the reshape is because return_sequences=True eliminates the step dimension
实际上,您可以使用单个 stateful=True
和 return_sequences=True
模型完成所有操作,只需处理两件事:
reset_states()
。 (使用手动循环和 epochs=1 进行训练)关于tensorflow - 如何处理keras中多元LSTM的多步时间序列预测,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/46901371/
我有兴趣在 tf.keras 中训练一个模型,然后用 keras 加载它。我知道这不是高度建议,但我对使用 tf.keras 来训练模型很感兴趣,因为 tf.keras 更容易构建输入管道 我想利用
我进行了大量搜索,但仍然无法弄清楚如何编写具有多个交互输出的自定义损失函数。 我有一个神经网络定义为: def NeuralNetwork(): inLayer = Input((2,));
我正在阅读一篇名为 Differential Learning Rates 的文章在 Medium 上,想知道这是否可以应用于 Keras。我能够找到在 pytorch 中实现的这项技术。这可以在 K
我正在实现一个神经网络分类器,以打印我正在使用的这个神经网络的损失和准确性: score = model.evaluate(x_test, y_test, verbose=False) model.m
我最近在查看模型摘要时遇到了这个问题。 我想知道,[(None, 16)] 和有什么区别?和 (None, 16) ?为什么输入层有这样的输入形状? 来源:model.summary() can't
我正在尝试使用 Keras 创建自定义损失函数。我想根据输入计算损失函数并预测神经网络的输出。 我尝试在 Keras 中使用 customloss 函数。我认为 y_true 是我们为训练提供的输出,
我有一组样本,每个样本都是一组属性的序列(例如,一个样本可以包含 10 个序列,每个序列具有 5 个属性)。属性的数量总是固定的,但序列的数量(时间戳)可能因样本而异。我想使用这个样本集在 Keras
Keras 在训练集和测试集文件夹中发现了错误数量的类。我有 3 节课,但它一直说有 4 节课。有人可以帮我吗? 这里的代码: cnn = Sequential() cnn.add(Conv2D(32
我想编写一个自定义层,在其中我可以在两次运行之间将变量保存在内存中。例如, class MyLayer(Layer): def __init__(self, out_dim = 51, **kwarg
我添加了一个回调来降低学习速度: keras.callbacks.ReduceLROnPlateau(monitor='val_loss', factor=0.5, patience=100,
在 https://keras.io/layers/recurrent/我看到 LSTM 层有一个 kernel和一个 recurrent_kernel .它们的含义是什么?根据我的理解,我们需要 L
问题与标题相同。 我不想打开 Python,而是使用 MacOS 或 Ubuntu。 最佳答案 Python 库作者将版本号放入 .__version__ 。您可以通过在命令行上运行以下命令来打印它:
Keras 文档并不清楚这实际上是什么。我知道我们可以用它来将输入特征空间压缩成更小的空间。但从神经设计的角度来看,这是如何完成的呢?它是一个自动编码器,RBM吗? 最佳答案 据我所知,嵌入层是一个简
我想实现[http://ydwen.github.io/papers/WenECCV16.pdf]中解释的中心损失]在喀拉斯 我开始创建一个具有 2 个输出的网络,例如: inputs = Input
我正在尝试实现多对一模型,其中输入是大小为 的词向量d .我需要输出一个大小为 的向量d 在 LSTM 结束时。 在此 question ,提到使用(对于多对一模型) model = Sequenti
我有不平衡的训练数据集,这就是我构建自定义加权分类交叉熵损失函数的原因。但问题是我的验证集是平衡的,我想使用常规的分类交叉熵损失。那么我可以在 Keras 中为验证集传递不同的损失函数吗?我的意思是用
DL 中的一项常见任务是将输入样本归一化为零均值和单位方差。可以使用如下代码“手动”执行规范化: mean = np.mean(X, axis = 0) std = np.std(X, axis =
我正在尝试学习 Keras 并使用 LSTM 解决分类问题。我希望能够绘制 准确率和损失,并在训练期间更新图。为此,我正在使用 callback function . 由于某种原因,我在回调中收到的准
在 Keras 内置函数中嵌入使用哪种算法?Word2vec?手套?其他? https://keras.io/layers/embeddings/ 最佳答案 简短的回答是都不是。本质上,GloVe 的
我有一个使用 Keras 完全实现的 LSTM RNN,我想使用梯度剪裁,梯度范数限制为 5(我正在尝试复制一篇研究论文)。在实现神经网络方面,我是一个初学者,我将如何实现? 是否只是(我正在使用 r
我是一名优秀的程序员,十分优秀!