在LSTM模型中使用return_sequence和TimeDistributed参数时，如何提取预测类？
在LSTM模型中使用return_sequence和TimeDistributed参数时，可以通过以下步骤提取预测类：
- LSTM模型中的return_sequence参数用于指定是否返回每个时间步的输出。当设置为True时，模型将返回一个形状为(batch_size, timesteps, output_dim)的3D张量，其中output_dim是输出的维度。
- TimeDistributed参数用于将一个层应用于输入的每个时间步。它可以确保每个时间步都经过相同的层处理，而不是仅仅处理最后一个时间步的输出。
- 在使用return_sequence和TimeDistributed参数的LSTM模型中，预测类的提取可以通过以下步骤完成：
- 首先，使用模型对输入数据进行预测，得到输出结果。
- 然后，根据具体任务的需求，可以选择从输出结果中提取预测类。例如，可以选择最后一个时间步的输出作为预测类，或者对所有时间步的输出进行汇总或平均等操作得到预测类。
- 最后，根据预测类的具体形式和需求，可以进行后续的处理、评估或应用。
需要注意的是，具体的预测类提取方法和后续处理步骤会根据任务和数据的不同而有所差异。在实际应用中，可以根据具体情况进行调整和优化。
关于腾讯云相关产品和产品介绍链接地址，由于要求不能提及具体品牌商，建议在腾讯云官方网站或文档中查找与LSTM模型、预测类提取相关的产品和解决方案。
相关·内容
所以我想为序列数据建立一个自动编码器模型。我已经开始用python构建一个顺序keras模型，现在我想在中间添加一个关注层，但不知道如何实现。到目前为止我的模型： from keras.layers import LSTM, TimeDistributed, RepeatVector, Layer
from keras.models import Sequential
import keras.backend as K
model = Sequential()
model.add(LSTM(20, activation="relu", input_shape=(time_s
浏览 27提问于2020-11-03得票数 0
回答已采纳
我有一个对话语料库如下所示。我想要实现一个LSTM模型，它可以预测系统的动作。系统动作被描述为位向量。并将用户输入计算为字嵌入，字嵌入也是位向量.
t1: user: "Do you know an apple?", system: "no"(action=2)
t2: user: "xxxxxx", system: "yyyy" (action=0)
t3: user: "aaaaaa", system: "bbbb" (action=5)
所以我想要实现的是“多到多(2)”模型。当我的模型接收到
浏览 0提问于2017-03-13得票数 62
回答已采纳
我已经看过几个类似的问题了，但是我什么都不明白，TimeDistributed的兴趣是什么？为什么我们需要在LSTM之后插入一个TimeDistributed层来建立时间序列预测？
浏览 0提问于2019-02-03得票数 2
我试图按顺序预测多维值，例如[[0, 0, 2], [1, 0, 3], [2, 3, 4], [3, 2, 5], [4, 0, 6], [5, 0, 7] ... ]，并希望每个[x, y, z]维度都被LSTM捕获。
当我试图在下面的模型上运行model.fit()时，我会得到标题中的错误，
ValueError: Error when checking target: expected time_distributed_19 to have 3 dimensions, but got array with shape (1824, 3)
我知道输出层应该是三维的，但是我在思考如何使用L
浏览 0提问于2018-06-24得票数 0
回答已采纳
1回答
本文的网络体系结构是由尹瑞青、赫夫·布林、克劳德·巴拉斯·巴拉斯( Claude Barras，as， )提出的一种基于双向长时间存储网络的广播电视说话人变化检测系统。
该模型由两个Bi(Bi 1和2)和一个多层感知器(MLP)组成，其权重跨序列共享。Bi 1有64个输出(向前32个，向后32个)。双LSTM2 2有40只(每只20只)。全连通层分别为40维、10维和1维.前向和后向LSTM的输出被连接起来，并前馈到下一层。共享MLP由三个完全连接的前馈层组成，前两层使用tanh激活函数，最后一层采用sigmoid激活函数，以便输出0到1之间的分数。我参考了各种来源并编写了以下代码，
mode
浏览 4提问于2020-04-03得票数 0
回答已采纳
我正在研究如何将TimeDistributed应用到我的LSTM中，看看它是否会提高我的模型的准确性。老实说，我仍然不确定TimeDistributed的具体用例是什么，我只是想尝试一下，看看它是否提高了我的准确性。除了盲目的尝试/错误，为什么有人要使用TimeDistributed呢？
现在，我的下一个问题可能与我对TimeDistributed's的具体用例究竟是什么缺乏了解有关，但我知道TimeDistributed的输出是序列，而且该序列与输入序列的长度相同，因为您在模型的最后一层使用了return_sequences=True (在我的例子中，所有这些都是有状态的)。
在我的
浏览 0提问于2018-07-28得票数 1
2回答
我想使用1D-Conv层后面的LSTM层来分类一个16通道400阶跃信号.
输入形状由以下几个部分组成：
X = (n_samples, n_timesteps, n_features)，其中n_samples=476、n_timesteps=400、n_features=16是信号的样本数、时间步长和特征(或信道)。
y = (n_samples, n_timesteps, 1)。每个时间步骤都被标记为0或1(二进制分类)。
我使用1D-Conv提取时间信息，如下图所示。F=32和K=8是过滤器和kernel_size。1D-MaxPooling在1D-Conv之后使用。32
浏览 0提问于2018-07-15得票数 24
我目前正在用Keras做LSTM的工作，我有一个关于TimeDistributed层的问题。
假设我有一个TimeDistributed层，它接受类似于(batch_size,timesteps,num_features1)的输入。它将输出类似于(batch_size,timesteps,num_features2)的内容。
相反，我希望输出类似于(batch_size,num_features2)的内容。有可能吗？
这将是将一个具有return_sequence = True的LSTM层堆叠到一个密集层(使用TimeDistributed层)，然后返回到“经典”密集层，该层接受(batch_
浏览 1提问于2017-03-03得票数 2
回答已采纳
3回答
我正在尝试使用LSTM使用keras构建模型。图中描述了我想要建立的模型结构。
在keras中，我知道要创建这样一种LSTM层，我应该编写以下代码。
model = Sequential()
model.add(LSTM(4, input_shape=(3,1), return_sequences=True))
4是每个LSTM单元的输出大小。return_sequence配置many to many结构。但我不知道该如何添加致密层，从LSTM细胞中获取所有信息，并输出多个神经元。我甚至不知道这是否可能。我很感谢你的帮助。
浏览 1提问于2019-03-31得票数 0
回答已采纳
为了分析视频，我尝试使用带有Keras的CNN-LSTM网络。我阅读了这方面的内容，并遇到了TimeDistributed函数和一些示例。
实际上，我尝试了下面描述的网络，它实际上是由一个卷积层和池层组成，然后是递归和密集层。
model = Sequential()
model.add(TimeDistributed(Conv2D(2, (2,2), activation= 'relu' ), input_shape=(None, IMG_SIZE, IMG_SIZE, 3)))
model.add(TimeDistributed(MaxPooling2D(pool_size
浏览 0提问于2019-09-27得票数 5
在Keras中，我发现许多人在训练多对一LSTM模型时将“返回序列”指定为False。我想知道我是否可以为每个timestep单元格使用TimeDistributed层，然后使用上面的密集层来获得输出？
浏览 10提问于2018-07-26得票数 0
我正在尝试使用一个简单的字符级Keras模型来从句子中提取关键文本。
我给它提供了一个表示整个句子的填充的dim (n_examples, 500)序列和一个表示要提取的输入文本的填充的dim (n_examples, 100)序列y_train。
我尝试了一个简单的模型，比如：
vocab_size = 1000
src_txt_length = 500
sum_txt_length = 100
inputs = Input(shape=(src_txt_length,))
encoder1 = Embedding(vocab_size, 128)(inputs)
encoder2 = L
浏览 0提问于2018-06-25得票数 0
数据与前臂运动记录有关，执行8种可能的手势，我有一个加速度计(x，y，z)，陀螺仪(x，y，z)和方位四元数。我正在准备使用Keras中的LSTM模型对这些数据进行分类和预测。我的疑问是，当y_train被组织成批时，如何正确地格式化X_Train。
数据由10个特征(加速度、陀螺仪、四元数)、71850个样本和9个类别(1个非手势，8个手势)组成。每个手势都有一个时间步长窗口，为75个样本，即1.25s。
我的问题是如何使y_train与X_train相匹配。在下面的代码中，sf的形状为(71850，10)，gest (71850，1)。我将sf转换为X_train (958、75、10)
浏览 0提问于2019-05-04得票数 0
对不起，我是刚认识RNN的。我在TimeDistributed层上读过TimeDistributed。
我将数据重新格式化为KerasRequred[samples, time_steps, features]：[140*50*19]，这意味着我有140个数据点，每个数据点有50个时间步骤，以及19个特性。我的输出是成形的[140*50*1]。我更关心的是最后一个数据点的准确性。这是一个回归问题。
我目前的代码是：
x = Input((None, X_train.shape[-1]) , name='input')
lstm_kwargs = { 'dropout_W
浏览 1提问于2017-05-15得票数 2
回答已采纳
1回答
我试图根据我的cnn+lstm模型的前一个值来预测下一个值，但我得到了每个预测的总体平均值。我的数据由20周的邻居(特征)的热图图像和每周的犯罪(标签)数量组成。我尝试更改了纪元的数量，更改了批处理大小，并更改了模型中的参数数量。下面是我的模型。 # MODEL
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense
浏览 24提问于2020-11-23得票数 3
1回答
我一直在努力寻找演示卷积LSTM的好教程或示例。
我正在尝试建立一个模型，它将根据一系列以前的帧生成下一个帧。TimeDistributed和ConvLSTM2D的使用有点棘手。
有人可以分享例子吗？
浏览 3提问于2018-04-27得票数 0
我有一个输入数组的形状(1000,20，4)和输出(标签)的形状(1000,25,1)。但是，不知道如何使用Keras库来为此建立顺序模型！
有人能帮我设计一个简单的LSTM吗？(我试图以几种方式使用RepeatVector()和TimeDistributed(Dense())，但我得到了如下错误：
model = Sequential()
model.add(LSTM(units = un , input_shape = (20, 4), return_sequences = False))
model.add(RepeatVector(25))
model.add(LSTM(un ,
浏览 0提问于2019-03-04得票数 1
回答已采纳
1回答
在keras 1.2.2中，我创建了一个具有以下维度的数据集：
X_train：(2000,100，32，32，3)
y_train：(2000年1)
这里，2000是实例的数量(批数据)，100是每批中的样本数，32是图像行和cols，3是通道的数量(RGB)。
我已经写了这个代码，它在CNN之后应用了LSTM。我使用了TimeDistributed层，并取了LSTM输出的平均值，得到了这样的结果：
我希望LSTM能够在每一批上工作，然后取该批的LSTM输出的平均值。所以，我的总输出(标签)是一个(2000,1)向量。
我知道这个错误：
检查模型目标时的错误:期望l
浏览 3提问于2017-03-02得票数 3
回答已采纳
1回答
我正在建立一个预测地理空间-时间数据集的模型。
我的数据有原始的维度(特征，lat，lon，时间)，即对于每个特征，在每个lat/lon点都有一个时间序列。
我已经像这样使用Keras创建了一个CNN-LSTM模型(我假设需要修改下面的内容，这只是第一次尝试)：
def define_model_cnn_lstm(features, lats, lons, times):
"""
Create and return a model with CN and LSTM layers. Input and output data is
expecte
浏览 0提问于2018-09-28得票数 4
回答已采纳
1回答
我试着训练一个cnn-lstm模型，我的样本图像大小为640×640。
我有一个GTX 1080 ti 11 ti。
我正在使用带有tensorflow后端的Keras。
这是模型。
img_input_1 = Input(shape=(1, n_width, n_height, n_channels))
conv_1 = TimeDistributed(Conv2D(96, (11,11), activation='relu', padding='same'))(img_input_1)
pool_1 = TimeDistributed(MaxPoolin
浏览 4提问于2019-09-26得票数 2
回答已采纳
我正在尝试向我的神经网络添加更多的LSTM层，但我一直收到以下错误：
ValueError: Error when checking target: expected dense_4 to have 2 dimensions, but got array with shape (385, 128, 1)
我的模型的代码如下：
model = Sequential()
model.add(LSTM(60, return_sequences=True, input_shape=(128, 14)))
model.add(LSTM(60, return_sequences=False))
m
浏览 3提问于2017-11-16得票数 1
我正在学习如何在Keras上训练RNN模型，我希望训练一个模型来预测最后N步的移动平均值将非常容易。
我有一个包含数千步的时间序列，我能够创建一个模型，并用批量数据对其进行训练。
但是，如果我用以下模型训练它，测试集预测与真实值有很大不同。(批次= 30，移动平均窗口= 10)
inputs = tf.keras.Input(shape=(batch_length, num_features))
x = tf.keras.layers.LSTM(10, return_sequences=False)(inputs)
outputs = tf.keras.layers.Dense(num_lab
浏览 0提问于2021-01-24得票数 0
我正在用Keras构建一个小的CNN LSTM模型，用于视频分类的实践。我的数据的输入维度是(1，5，30，10，3) (批量大小，时间步长，宽度，高度，通道)。我发现使用ConvLSTM2D取得了一些成功，但我想使用TimeDistributed创建一个模型，因为我想比较LSTM和GRU的性能。 该模型成功地进行了训练(尽管具有一些非常奇怪的精度)， https://i.imgur.com/5uAbPkR.png 但是当我把它保存到我的计算机上，并对维数组(1，5，30，10，3)调用model.predict时，我得到了这个错误： ValueError: Input 0 is incom
浏览 28提问于2021-08-25得票数 1
回答已采纳
这是我的密码
model = Sequential()
model.add(LSTM(256, input_shape=(look_back, x_train.shape[1])))
model.add(Dropout(0.3))
model.add(LSTM(256, input_shape=(look_back, x_train.shape[1])))
model.add(Dropout(0.3))
然后发生ValueError: Input 0 is incompatible with layer lstm_3: expected ndim=3, found ndim=2
但我不能用r
浏览 17提问于2019-08-03得票数 1
回答已采纳
2回答
我想用带角的LSTM神经网络来预测时间序列的组，我在使模型与我想要的匹配方面遇到了困难。我的数据的维度如下：
输入张量：(data length, number of series to train, time steps to look back)
输出张量：(data length, number of series to forecast, time steps to look ahead)
注:我想保持尺寸完全一样，没有转位。
再现问题的虚拟数据代码是：
import numpy as np
from keras.models import Sequential
from ke
浏览 5提问于2016-10-17得票数 4
1回答
我每分钟都会记录来自机器的信号，持续6个小时。即机器的信号长度为6*60 = 360。我的客户已经为每台机器记录了这些信号一个月。换句话说，每台机器有360个28天的信号长度。我的数据集中有大约2000台机器的数据。 如果你想知道我的数据集是什么样子的，我在下面给出了一个快速的概述(注意:每天的每个信号都有360个长度，如问题中所述)。 machine_num, day1, day2, ..., day28
m1, [12, 10, 5, 6, ...], [78, 85, 32, 12, ...], ..., [12, 12, 12, 12, ...]
m2, [2, 0, 5, 6, .
浏览 26提问于2019-12-15得票数 0
回答已采纳
对于图像分类任务，我首先构建了一个CNN模型，当我使用GlobalAveragePooling2D()时，它比Flatten()提供了更高的精度。
现在，我想在LSTM层正常工作之前将LSTM层添加到我的模型TimeDistributed(Flatten())中，但是当我用TimeDistributed(GlobalAveragePooling2D())替换它时，我得到了错误：
Input 0 of layer "global_average_pooling2d" is incompatible with the layer: expected ndim=4, found nd
浏览 7提问于2022-03-08得票数 0
1回答
所以我知道什么是LSTM单位。但是我很难理解Keras框架中的实现/功能。
比方说，我加了一层
model.add(LSTM(5, ...))
这是否意味着，我
五个独立的LSTM单元，或
一个LSTM单元，它被展开成五个时间步骤？
我认为第二个答案是正确的，因为我看到的很多模型都没有什么意义。
当我有一个大小为5的LSTM层作为第一个隐藏层时，这是否意味着我的输入应该是一个具有5个时间步骤的时间序列？
如果我错了，请纠正我。我很困惑，因为我以为一个LSTM会在下一个迭代中使用它自己的状态。
在Keras中，LSTM的正确含义是什么？
浏览 0提问于2019-11-18得票数 0
1回答
多步预测LSTM模型
、、、、
我试图在Keras中实现一个多步预测LSTM模型。数据的形状如下：
X : (5831, 48, 1)
y : (5831, 1, 12)
我试图使用的模型是：
power_in = Input(shape=(X.shape[1], X.shape[2]))
power_lstm = LSTM(50, recurrent_dropout=0.4128,
dropout=0.412563, kernel_initializer=power_lstm_init, return_sequences=True)(power_in)
main_out = Tim
浏览 26提问于2018-09-19得票数 1
回答已采纳
经过大量的阅读和图表，我想我已经想出了一个模型，我可以用它作为更多测试的基础，我需要调整哪些参数和特性。但是，我对如何实现以下测试用例感到困惑(所有的数字都比最终模型小几个数量级，但我想从小开始)：
输入数据: 5000x1时间序列向量，分裂为1000x1的5个历元。
对于每一时间步骤，3个历元值的数据将通过一个双向LSTM层的3个时间分布副本，每个副本将输出一个矢量10x1 (10个特征提取)，然后将其作为第二个双向LSTM层的输入。
对于每个时间步骤，第一个和最后一个标签将被忽略，但中心标签是所需的。
这是我想出来的，它确实是编译的。但是，看看model.su
浏览 4提问于2017-10-21得票数 3
回答已采纳
我有一个使用TimeDistributed的简单顺序模型(密集...)作为LSTM层之后的最后一层。我正在以20个时间步长的序列对时间序列数据进行训练。损失函数是平均绝对误差，定义为：
def mean_absolute_error(y_true, y_pred):
return K.mean(K.abs(y_pred - y_true), axis=-1)
(来自)
该模型的一个片段是：
LSTM(
framelen
, return_sequences=True
)
TimeDistributed(
Dense(
framelen
浏览 1提问于2017-08-19得票数 3
1回答
Keras多维输入
、、、、
我输入的时间序列数据是形状的(nb_samples，75，32)。
75是时间步骤，32是输入维度。
model = Sequential()
model.add(LSTM(4, input_shape=(75, 32)))
model.summary()
LSTM的权重向量，[W_i, W_c, W_f, W_o]都是32个维，但是输出只是一个单一的值。该模型的输出形状为(1,4)。但是在LSTM中，输出也是一个向量，所以对于上面的许多实现来说，它不应该是(32,4)吗？为什么它也给多维输入一个单一的值？
浏览 0提问于2017-03-05得票数 3
3回答
我想预测某些每周可预测的值(低信噪比)。我需要预测一年中每周形成的整个时间序列(52个值-图1)。
我的第一个想法是使用TensorFlow上的Keras开发一个多到多的LSTM模型(图2)。我用52个输入层(前一年给定的时间序列)和52个预测输出层(明年的时间序列)来训练模型。train_X的形状是( X_examples，52，1)，换句话说，X_examples训练，52个时间步骤，每一个特征。据我所知，Keras将把52个输入视为同一域的时间序列。train_Y的形状相同(y_examples，52，1)。我添加了一个TimeDistributed层。我的想法是，该算法将预测
浏览 5提问于2017-12-01得票数 23
回答已采纳
试图建立单一的输出回归模型，但在最后一层似乎存在问题。
inputs = Input(shape=(48, 1))
lstm = CuDNNLSTM(256,return_sequences=True)(inputs)
lstm = Dropout(dropouts[0])(lstm)
#aux_input
auxiliary_inputs = Input(shape=(48, 7))
auxiliary_outputs = TimeDistributed(Dense(4))(auxiliary_inputs)
auxiliary_outputs = TimeDistributed(Dens
浏览 9提问于2017-10-17得票数 2
回答已采纳
1回答
我正在LSTM网络上工作，以检测道路上的一个坑。我有一个包含汽车每个轮子轮速的数据集。当出现凹坑时，接下来的40个标签是'1‘。所有其他标签都是'0‘。这是我的模型：
model = Sequential()
model.add(LSTM(64,input_shape=(len(X_train[0]),1),return_sequences=True))
model.add(Dropout(0.5))
model.add(Activation('relu'))
model.add(BatchNormalization())
model.add(LSTM(64,i
浏览 0提问于2018-05-11得票数 0
我正在使用长短期记忆(LSTM)来生成预测。我注意到，每次运行LSTM模型时，它使用相同的数据生成略有不同的预测。我想知道为什么会发生这种情况，是不是我做错了什么？ 谢谢你 from numpy import array
from keras.models import Sequential
from keras.layers import LSTM
from keras.layers import Dense
from keras.layers import Flatten
from keras.layers import TimeDistributed
from keras.layers
浏览 60提问于2019-06-09得票数 3
回答已采纳
1回答
我正在尝试建立CNN-LSTM来预测价格，但我在尝试建立模型时收到错误信息。错误消息是
Please initialize 'TimeDistributed layer' with a 'tf.keras.layers.Layer' instance. You passed: <keras.layers.core.Flatten object at 0x7fc70c70f250>
这是我的CNN-LSTM模型
model = Sequential()
model.add(TimeDistributed(Conv1D(filters=64, kerne
浏览 2提问于2021-06-07得票数 0
我对RNNs和keras很陌生。
我试图比较LSTM与传统机器学习算法(如RF或GBM)在顺序数据上的性能(不一定是时间序列，而是按顺序排列)。我的数据包含276个预测器和一个输出(例如。股票价格与276种信息的股票的公司)与8564复古观察。由于LSTM能够很好地捕捉顺序趋势，所以我决定使用300 time_step。从下面的数字，我相信我的任务是创建一个多到多的网络(最后一个数字从左)。(图片：)
由于每个粉红色框的大小为276个(预测器的数量)和300个(time_steps)，在一个batch.However中，我很难看到我如何设计这里的蓝色框，因为每个蓝色框都应该是每个实例
浏览 2提问于2016-11-14得票数 1
1回答
我创建了一个用于web会话存活预测的CNN-LSTM，我的训练数据如下所示： print(x_train.shape)
(288, 3, 393) (samples，timesteps，features)和我的模型： model = Sequential()
model.add(TimeDistributed(Conv1D(128, 5, activation='relu'),
input_shape=(x_train.shape[1], x_train.shape[2])))
model.add(Time
浏览 18提问于2020-07-13得票数 3
回答已采纳
1回答
连接Keras中的掩码输入
、、、、
使用Keras API，我尝试构建一个神经网络模型，如下所示。我有两个输入，每个输入都是分类时间序列，它们已经转换为一次hots。在一个批次中，时间序列通常具有不同的长度，因此我用零填充它们，使其达到相同的长度。我想首先对每个输入应用一个掩蔽层，以便忽略填充，然后对每个输入应用TimeDistributed密集层，最后在将结果传递到LSTM之前连接密集层的输出。(这并不重要，在LSTM之后会应用最终的线性致密层。)如下所示：
from tensorflow.keras.layers import Input,Dense,Concatenate
from tensorflow.keras.lay
浏览 0提问于2021-07-07得票数 0
1回答
创建CoreML LRCN模型
、、、、
您好，并提前感谢您或提供任何帮助或指导！
我的问题源于苹果CoreML文档网站上的一篇文章。这篇文章的主题也在WWDC 2017讲座上讨论过，我发现它非常有趣。我最近发布了一个问题，这个问题与我正在做的这个项目的一部分有关，它很容易得到解决；然而，随着我进一步深入这一努力，我发现自己不明白这个模型的一部分是如何实现的。
首先，我在Keras中使用Tensorflow后端构建了一个模型，该模型在时间分布式包装器中使用卷积层。在卷积部分之后，单个LSTM层连接到密集层作为输出。我们的目标是创建一个多对多的结构，在填充图像序列中对每个项目进行分类。我将在下面发布模型的代码。
我训练和部署这个网络的计
浏览 7提问于2018-01-29得票数 3
回答已采纳
1回答
我有一个simpleRNN / LSTM，我正在尝试使用tensorflow在顺序分类任务上进行训练。有一个数据序列(300个时间步长)预测t=300处的标签。对于我的任务，我希望RNN评估每个时间步的错误(不仅仅是在最后的时间点)，并向后传播它(如下图所示)。
在下面的一些响应之后，我似乎需要做一些事情:使用return_sequences标志；使用TimeDistributed层访问来自LSTM/RNN的输出；还定义了一个自定义的损失函数。
model = Sequential()
layer1 = LSTM(n_neurons, input_shape=(length, 1),
浏览 1提问于2021-04-20得票数 0
1回答
编辑后添加:我找到了我认为可行的解决方案：
我试图使用Conv/LSTM网络来控制机器人。我想我已经把所有的东西都设置好了，这样我就可以开始用重放内存中的数据来训练它了，但是我不知道如何用它来控制一个机器人。下面是简化的测试代码。
import numpy as np
from keras.models import Sequential
from keras.layers import Dense, Flatten, Input
from keras.layers import Convolution2D
from keras.layers.recurrent import LSTM
f
浏览 1提问于2017-09-28得票数 0
回答已采纳
? 我正在尝试实现上图中所示的模型，该模型基本上由时间分布的CNN组成，后面是一系列使用Keras和TF的LSTM。我已经划分了两种类型的类，并从捕获的每个视频中提取帧。提取的帧是可变的，不要修复。 然而，我在尝试弄清楚如何为每个类中的每个视频加载图像帧以成为x_train、x_test、y_train和y_test时遇到了一个问题。 model = Sequential()
model.add(
TimeDistributed(
Conv2D(64, (3, 3), activation='relu'),
input_shape=(data.nu
浏览 26提问于2019-02-15得票数 1
首先，如果问题没有意义，对不起，请纠正我。
所以..。我有这个顺序模型。
model = Sequential()
model.add(LSTM( 524 , input_shape = (sequeces, size) , return_sequences = True ))
model.add(Dropout(0.2))
model.add(BatchNormalization())
model.add(LSTM( 256, return_sequences = True ))
model.add(Dropout(0.1))
mo
浏览 0提问于2020-05-22得票数 1
回答已采纳
这是我尝试的两种方法中的第一种：
inputs=Input(shape=(frames, 103*4, 1))
z=TimeDistributed(Conv2D(32, (5,25), padding='same', activation='relu'), input_shape=(frames, 103*4, 1))(inputs)
z=TimeDistributed(BatchNormalization())(z)
z=TimeDistributed(ReLU())(z)
z=TimeDistributed(Dropout(0.2))(z)
z=TimeD
浏览 36提问于2020-05-29得票数 0
1回答
我正在处理一个5类的视频分类，并使用TimeDistributed CNN + RNN模型。训练数据集包含70个视频，每个类包含20个帧。验证数据集包含15个视频，每个类包含20个帧。测试数据集包含15个视频，每个类包含20个帧。我使用的批处理大小是64。所以，我总共处理了500个视频。我使用RmsProp优化器和分类cross_entropy损失编译了模型。 我已经用65 epochs.But训练了模型我注意到一个奇怪的事实，在第一个epoch.However时，验证精度比训练精度高，在剩下的时间段，曲线看起来非常令人满意。 ? 我的模型是： model = Sequential(
浏览 139提问于2020-07-13得票数 0
2回答
我的理解是，对于某些类型的seq2seq模型，您需要训练编码器和解码器，然后将编码器放在一边，只使用解码器进行预测。例如，优步的seq2seq时间序列预测模型：
📷
现在，我正试图在Keras中实现这个to版本。
这是普通LSTM的Keras代码：
# define model
model = Sequential()
model.add(LSTM(50, activation='relu', input_shape=(n_steps, n_features)))
model.add(Dense(1))
model.compile(optimizer='adam'
浏览 0提问于2019-07-27得票数 4
我有一个CNN-LSTM，看起来如下；
SEQUENCE_LENGTH = 32
BATCH_SIZE = 32
EPOCHS = 30
n_filters = 64
n_kernel = 1
n_subsequences = 4
n_steps = 8
def DNN_Model(X_train):
model = Sequential()
model.add(TimeDistributed(
Conv1D(filters=n_filters, kernel_size=n_kernel, activation='relu', input_sh
浏览 8提问于2021-06-04得票数 0
回答已采纳
1回答
我有一个cnn模型(叫做cnn_model)。我按时间分布包装模型以处理序列。新模型被称为lstm_model。为什么我看不到lstm_model内部的cnn层？ 代码： cnn_model = getModel(input_shape=(imageH, imageW), CHANNELS)
image_frames = Input(batch_shape=(BATCH_SIZE, TIME_STEPS, imageH, imageW, CHANNELS))
encoded_images = TimeDistributed(cnn_model)(image_frame
浏览 35提问于2020-02-02得票数 0
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
实时音视频活动推荐
腾讯云开发者
