我看到很多人對 LSTM 有同樣的問題，所以我想讓這個問題介紹一個通用的例子，然后介紹我自己的。預期的輸入形狀由（樣本、時間步長、特征）組成。這是我第一次陷入困境，因為許多示例僅提供兩個輸入，如下所示：model.add(LSTM(32, input_shape=(TIMESTEPS, FEATURES), activation='relu', return_sequences = True))如果我是對的，當省略第三個參數時，您只是沒有指定樣本數。因此，假設我有以下結構作為輸入：import numpy as np np.zeros((BATCHES, TIMESTEPS, FEATURES))用數字來表示我們可以得到：np.zeros((2, 3, 5))[[[0. 0. 0. 0. 0.] [0. 0. 0. 0. 0.] [0. 0. 0. 0. 0.]] [[0. 0. 0. 0. 0.] [0. 0. 0. 0. 0.] [0. 0. 0. 0. 0.]]]這正是我的情況。我有一個帶有 的層 0 input_shape=(480, 16)，并且model.predict()正在接受使用 創建后填充形狀 (1, 480, 16) 的輸入batch = np.zeros((90, 480, 16))。形狀為 (1, 480, 16) 的單個小批量輸入的預測等于，model.predict(batch[[i]])但我期望返回一個長度等于 480 的 1D 數組，相反，我收到的是：[[0. 1. ... 0. 0.]]< 480。該數組的值目前并不重要，但他的形狀應該預測每個時間步長的值。我的問題出在哪里？提前致謝更新： 我的案例的整個模型聲明是：model = Sequential()model.add(LSTM(32, input_shape=(480, 16), activation='relu', return_sequences = True)))model.add(Dense(16))model.compile(loss='mse', optimizer=Adam(lr=0.1))return model輸入類似于以下聲明：batch = np.zeros((90, 480, 16)) # this is filled afterinput_to_predict = batch[[i]] # where i is in the range > 0 and < 90model.predict(input_to_predict)
1 回答
慕婉清6462132
TA貢獻1804條經驗 獲得超2個贊
上面的示例返回 shape (1, 480, 16)。當您設置 時return_sequences=True，Keras 將返回時間步維度（您的“中間”維度），因此如果您的輸入有 480 個時間步，它將輸出 480 個時間步。最后一個維度將是最后一層中的單元數。
import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import *
model = Sequential()
model.add(LSTM(32, input_shape=(480, 16), return_sequences = True))
model.add(Dense(16))
model.compile(loss='mse', optimizer='adam')
batch = np.zeros((90, 480, 16))
input_to_predict = batch[[0]]
model.predict(input_to_predict).shape
array([[[0., 0., 0., ..., 0., 0., 0.],
[0., 0., 0., ..., 0., 0., 0.],
[0., 0., 0., ..., 0., 0., 0.],
...,
[0., 0., 0., ..., 0., 0., 0.],
[0., 0., 0., ..., 0., 0., 0.],
[0., 0., 0., ..., 0., 0., 0.]]], dtype=float32)
(1, 480, 16)
如果設置return_sequences=False，它不會返回時間步長維度：
import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import *
model = Sequential()
model.add(LSTM(32, input_shape=(480, 16), return_sequences = False))
model.add(Dense(16))
model.compile(loss='mse', optimizer='adam')
batch = np.zeros((90, 480, 16))
input_to_predict = batch[[0]]
model.predict(input_to_predict).shape
(1, 16)
添加回答
舉報
0/150
提交
取消