RNN/LSTM的非常规使用
--如果我理解得很好-- RNN允许考虑序列中的最后一个值来预测下一个值。假设我想预测函数cos(x)的下一个值，并且我有一个数据集，其结果为x在范围内(0,1000)。首先用cos(0)来预测cos(1)，然后由cos(1)预测cos(2)等。在每一步中，对权重进行调优，并且模型保留最后一个值的记忆，以进行下一次预测。
，在我的例子中，，我想要训练一个模型来预测视频的质量。为此，我有一个带有视频注释的数据集。对于每一个视频，对于每一个帧，我计算了一组不相关的36个特征。因此输入的形状是(nb_videos，nb_frames，36)。对于每一个视频，我都有一个表示全局视频质量和标签形状的分数(nb_videos，1)。
我不知道我能用哪种神经网络。n_frames x 36太大了，我认为对于一个简单的多层感知器来说太大了.特征在时间轴上可能有意义，但在特征轴上没有意义，所以除非我用一维卷积训练36个模型，否则CNN是无用的。最后，特征在序列中出现，但RNN的问题是，它需要对序列中的每个元素进行评分，而模型只用于预测该序列中的下一个值。
，我的想法，是有一个RNN模型，这是为任何视频训练。我以良好的顺序向RNN的n_frames次数提供36个特征，并且只有在这些n_frames迭代之后，模型才能给出一个预测。然后利用这个预测来调整权重。然后我们这样做，在数据集中随机选取视频的年代数。
说得通吗？
有类似的东西存在吗？
回答 1
Stack Overflow用户
发布于 2018-07-04 00:07:23
我不认为你在非常规地使用RNN/LSTM，你的想法是有意义的。如果我正确地理解了它，那么您的想法将涉及使用多到一个RNN：
来源：http://karpathy.github.io/2015/05/21/rnn-effectiveness/
其中，在每个时间步骤上的输入对应于一个具有36个特征的帧，并且在最后一个时间步的输出传递关于整个视频的信息。在Keras中，这可以类似于：
from keras.models import Sequential
from keras.layers import LSTM, Dense
nb_frames = 10
model = Sequential()
model.add(LSTM(20, input_shape=(nb_frames, 36)))
model.add(Dense(1, activation='relu'))
model.compile('rmsprop', 'mse')
model.summary()许多到一个RNN是非常常见的，而且您不会对它们进行非常规的使用。
https://stackoverflow.com/questions/51166051
复制
![[译] Traffic Director如何为开放服务网格提供全局负载均衡](https://ask.qcloudimg.com/http-save/6625421/20f099a7e611e9dedcd432a5dfa76e1d.png)
腾讯云开发者
