python - LSTM Keras 网络的恒定输出和预测语法

Question

我是神经网络的新手，有两个可能非常基本的问题。我正在建立一个通用的 LSTM 网络来预测序列的 future ，基于多个特征。
因此，我的训练数据具有以下形状(训练序列的数量、每个序列的长度、每个时间步的特征量)。
或者更具体一些，比如 (2000, 10, 3)。
我试图预测一个特征的值(value)，而不是所有三个特征的值(value)。

问题:

如果我让我的网络更深和/或更宽，我得到的唯一输出是要预测的值的常数平均值。以这个设置为例:

z0 = Input(shape=[None, len(dataset[0])])

z = LSTM(32, return_sequences=True, activation='softsign', recurrent_activation='softsign')(z0)
z = LSTM(32, return_sequences=True, activation='softsign', recurrent_activation='softsign')(z)
z = LSTM(64, return_sequences=True, activation='softsign', recurrent_activation='softsign')(z)
z = LSTM(64, return_sequences=True, activation='softsign', recurrent_activation='softsign')(z)
z = LSTM(128, activation='softsign', recurrent_activation='softsign')(z)

z = Dense(1)(z)
model = Model(inputs=z0, outputs=z)
print(model.summary())

model.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])

history= model.fit(trainX, trainY,validation_split=0.1, epochs=200, batch_size=32, 
    callbacks=[ReduceLROnPlateau(factor=0.67, patience=3, verbose=1, min_lr=1E-5),
            EarlyStopping(patience=50, verbose=1)])

如果我只使用一层，例如:

z0 = Input(shape=[None, len(dataset[0])])

z = LSTM(4, activation='soft sign', recurrent_activation='softsign')(z0)

z = Dense(1)(z)
model = Model(inputs=z0, outputs=z)
print(model.summary())

model.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])
history= model.fit(trainX, trainY,validation_split=0.1, epochs=200, batch_size=32,
        callbacks=[ReduceLROnPlateau(factor=0.67, patience=3, verbose=1, min_lr=1E-5),
        EarlyStopping(patience=200, verbose=1)])

这些预测有些合理，至少它们不再是恒定的。

为什么会这样？大约 2000 个样本并不多，但在过度拟合的情况下，我希望预测能够完美匹配......

编辑:解决了，正如评论中所述，只是 Keras 总是期望批次:Keras

当我使用:

`test=model.predict(trainX[0])`

为了得到第一个序列的预测，我得到一个维度错误:

"Error when checking : expected input_1 to have 3 dimensions, but got array with shape (3, 3)"

我需要输入一系列序列，例如:

`test=model.predict(trainX[0:1])`

这是一种解决方法，但我不确定这是否有更深层次的含义，或者只是一个语法问题......

Answer 1

这是因为您尚未标准化输入数据。
任何神经网络模型最初都会将权重归一化到零附近。由于您的训练数据集具有所有正值，因此模型将尝试调整其权重以仅预测正值。但是，激活函数(在您的情况下为 softsign)会将其映射到 1。因此该模型除了添加偏差之外什么也做不了。这就是为什么你在数据集的平均值周围得到一条几乎恒定的线。
为此，您可以使用像 sklearn 这样的通用工具。预处理您的数据。如果您使用的是 Pandas 数据框，这样的事情会有所帮助

data_df = (data_df - data_df.mean()) / data_df.std()

或者要在模型中有参数，可以考虑添加 batch normalization图层到您的模型