多对一LSTM输入形状
是指在使用长短期记忆网络（LSTM）进行训练或预测时，输入数据的形状。多对一表示输入序列中有多个时间步，但只有一个输出结果。
在多对一LSTM中，输入数据的形状通常是一个三维张量，具体形状为（batch_size，time_steps，input_dim）。其中，batch_size表示每个训练批次中的样本数量，time_steps表示序列的时间步数，input_dim表示每个时间步的特征维度。
举个例子，假设我们有一个文本分类任务，要根据一段文本的历史信息预测其情感极性（正面、负面）。我们可以将每个文本看作一个序列，将每个单词的词向量作为特征。如果我们的训练批次中有32个样本，每个文本有100个单词，每个单词的词向量维度是300，那么输入数据的形状就是（32，100，300）。
在腾讯云的产品中，可以使用腾讯云的AI开放平台（https://cloud.tencent.com/product/ai）来进行多对一LSTM的训练和推理。AI开放平台提供了丰富的人工智能服务，包括自然语言处理、图像识别、语音识别等，可以满足多种多对一LSTM的应用场景需求。
另外，腾讯云还提供了云服务器（https://cloud.tencent.com/product/cvm）和云数据库（https://cloud.tencent.com/product/cdb）等基础设施产品，用于支持多对一LSTM模型的训练和部署。这些产品提供了高性能的计算和存储资源，可以满足大规模数据处理和模型训练的需求。
总结起来，多对一LSTM输入形状是一个三维张量，用于表示多个时间步的序列数据，腾讯云提供了丰富的人工智能和基础设施产品，可以支持多对一LSTM模型的训练和部署。
相关·内容
我正在阅读的文章(递归神经网络的不合理有效性)，并想了解如何在Keras中表达一对一、一对多、多对一和多对多的LSTM神经网络。我读过很多关于RNN的文章，了解了LSTM NNs是如何工作的，特别是消失梯度、LSTM单元、它们的输出和状态、序列输出等等。但是，我很难用Keras来表达所有这些概念。
首先，我使用LSTM层创建了以下玩具NN
from keras.models import Model
from keras.layers import Input, LSTM
import numpy as np
t1 = Input(shape=(2, 3))
t2 = LSTM(1)(t1)
浏览 0提问于2018-09-02得票数 8
1回答
在Keras中，如果我想在我的LSTM模型上预测多个实例，这些实例基于来自训练数据的独立数据和新数据，那么输入数组是否需要包括训练中使用的时间步长？如果是这样的话，我能期望model.predict的输入数组的形状与训练数据相同吗？(即要预测的样本数量，它们的时间步长，它们的特征)？ 谢谢您:)
浏览 44提问于2021-04-12得票数 3
我正在学习如何在Keras中使用LSTM模型。我看过这个和这个，我想以多对多的方式训练一个模型，但在测试时使用stateful=True的一对多的方式进行预测。我不确定我是否在正确的轨道上。
我有一个由10,000个人组成的数据集，每个人都有20个时间步和10个特征的序列。我想训练一个LSTM模型来预测下一个时间步中的5个特征，使用90-10训练和测试拆分，我的train_x被整形(9,000，20，10)，我的train_y被整形(9,000，20，5)，y中的值是下一个时间步中所选特征的值。我的test_x是形状的(1,000，20，10)。
在测试时，我想使用经过训练的模型，仅使用序列开
浏览 41提问于2018-12-03得票数 0
我是keras的新手，我想构建一个深度的RNN我的x_train形状是(1115,106)，我的y_train有(1115,11)个样本，我不能修复我从下面的代码中得到的错误：
model_3=Sequential()
model_3.add(LSTM(64,return_sequences=True,activation='relu'))
model_3.add(Dropout(0.2))
model_3.add(LSTM(64,activation='relu'))
model_3.add(Dropout(0.2)
浏览 0提问于2019-08-26得票数 0
1回答
了解keras层中的形状
、、、、
我正在学习Tensorflow和Keras来实现LSTM many-to-many模型，其中输入序列的长度等于输出序列的长度。
示例代码：
输入：
voc_size = 10000
embed_dim = 64
lstm_units = 75
size_batch = 30
count_classes = 5
型号：
from tensorflow.keras.layers import ( Bidirectional, LSTM,
Dense, Embedding, TimeDistributed )
from tensorf
浏览 1提问于2021-03-29得票数 1
1回答
我使用带有Tensorflow后端的Keras对多个序列同时进行一步一步的序列预测；也就是说，我有n个具有m个时间步骤的序列，我使用一个model.predict()命令将它们全部加载到Keras中，模型返回一个'n‘元素数组，每个元素对应于每个n个序列的预测下一步。
所以我的目标是最大限度地提高Keras检测序列间交叉相关性的能力。例如，假设序列a与序列b有一定的时间延迟和缩放因子差异，那么理论上，Keras应该能够使用序列b更好地预测序列a的下一步。我现在如何使用4个序列(每个30个元素)进行测试，并将它们发送给我的模型，因为输入数据具有形状(4，30，1)，输出数据具有形状(4，
浏览 1提问于2017-11-09得票数 0
回答已采纳
1回答
我正在尝试构建一个LSTM模型，在中处理文档示例。
from keras.models import Sequential
from keras.layers import LSTM
以下三行代码(加上注释)直接取自上面的文档链接：
model = Sequential()
model.add(LSTM(32, input_dim=64, input_length=10))
# for subsequent layers, not need to specify the input size:
model.add(LSTM(16))
ValueError:输入0与lstm_2层不兼容:预期
浏览 2提问于2017-02-19得票数 4
回答已采纳
1回答
LSTM输入混乱
、、、、
我试着理解LSTM输入已经有一段时间了，我想我理解了，但是我一直对如何实现它们感到困惑。
这就是我的想法，如果我错了，请纠正我。
在指定LSTM时，可以指定单元格数和输入形状(我对输入形状有问题)。单元格数指定了多少个单元格应该查看给定的数据，而不影响所需的输入形状。输入形状(当状态)按批处理大小、批处理中的时间步骤和时间步骤中的特性进行。有状态的LSTM保留它的内部状态直到重置。是这样的吗？
如果是这样的话，我在试图为我的网络指定输入形状时有很多困惑。这是因为我试图升级一个当前的网络，我不知道如何和在哪里指定输入形状没有错误。
我试图升级它的方式是，最初，我有一个CNN到一个密集的层。我试图
浏览 8提问于2020-12-29得票数 0
回答已采纳
当我一层一层地构建模型时，Sequential和Model([input],[output])的结果似乎是一样的。但是，当我使用以下两个输入相同的模型时，它们给出了不同的results.By方式，输入形状是(None, 15, 2)，输出形状是(None, 1, 2)。
Sequential模型：
model = tf.keras.Sequential(
[
tf.keras.layers.Conv1D(filters = 4, kernel_size =7, activation = "relu"),
tf.keras.layers.C
浏览 12提问于2022-08-07得票数 1
2回答
如何用四维输入输入到LSTM中？
、、、、
我有一个如下形状的序列输入：(6000, 64, 100, 50)
6000只是样本序列的数量。每个序列的长度为64。
我计划使用Keras将这个输入安装到LSTM中。
我以这种方式设置我的输入：
input = Input(shape=(64, 100, 50))
这给了我一个(?, 64, 100, 50)的输入形状
然而，当我像这样将input放入我的LSTM中时：
x = LSTM(256, return_sequences=True)(input)
我知道这个错误：
输入0与层lstm_37不兼容:预期的ndim=3，找到ndim=4
如果我的输入形状类似于(?, 64, 1
浏览 0提问于2017-11-21得票数 10
1回答
我有一个关于批次大小和顺序长度的问题。假设我有10个不同的独立时间序列，每个时间序列的长度为100。
5指从事一项活动的人，另5名是从事另一项活动的人。
我想要创建一个LSTM，它能够从每个序列中的第一个样本一直记住序列，并对我输入到一个活动中的测试样本进行分类。
现在，第一次尝试，假设我可以输入长度为100的测试样本。我该怎么做？我会创建一个LSTM，然后一次输入形状为10,100，1的数据吗？或者我会输入形状为1,100，10次的数据吗？这里的问题是，批处理是否会影响LSTM将如何记忆过去的输入？我不希望LSTM在独立序列之间记住，但我确实希望它从每个时间序列的开头一直记住。
第二，假设我
浏览 0提问于2018-07-27得票数 0
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
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
我无法正确地将我的密集层连接到我的LSTM层。我的Y值从0到1，所以乙状结肠在我看来是合乎逻辑的。
我知道错误：
检查目标时出错:期望dense_4具有二维，但得到形状为(993,300，1)的数组
在我看来，我的输入形状正确，总DF为(350700,2413)，我将其重塑为a( 1169,300,2413 ) //不包括Y值。我只是不知道如何让致密的图层工作，并将乙状结肠应用到我的Y上。
随着火车测试的分裂，我有一个(993,300，1)的y_train，这是我的错误的主要问题，但我似乎无法理解我做错了什么。x_train为( 933,300,2413) x_test = (176,
浏览 0提问于2018-07-10得票数 2
回答已采纳
我想更好地理解那些形状的Tensorflow的BasicLSTMCell内核和偏见。
@tf_export("nn.rnn_cell.BasicLSTMCell")
class BasicLSTMCell(LayerRNNCell):
input_depth = inputs_shape[1].value
h_depth = self._num_units
self._kernel = self.add_variable(
_WEIGHTS_VARIABLE_NAME,
shape=[input_depth + h_depth, 4 * self._num_u
浏览 0提问于2018-08-22得票数 6
回答已采纳
我正在尝试创建一个lstm来生成音乐序列。训练数据是大小为4的向量序列，表示要训练的歌曲中每个音符的各种特征(包括MIDI音符)。
从我的阅读来看，我想做的似乎是，对于每个输入样本，输出样本是下一个大小为4的向量(也就是说，它应该尝试预测给定当前一个向量的下一个注释，并且由于LSTM包含了前面的样本知识)。
我正在使用tflearn，因为我对RNN仍然非常陌生。我有以下代码
net = tflearn.input_data(shape=[None, seqLength, 4])
net = tflearn.lstm(net, 128, return_seq=True)
net = tflear
浏览 4提问于2016-04-09得票数 2
回答已采纳
我在这里尝试运行Seq2Seq示例，
from keras.layers import Input, LSTM, RepeatVector
from keras.models import Model
inputs = Input(shape=(timesteps, input_dim))
encoded = LSTM(latent_dim)(inputs)
decoded = RepeatVector(timesteps)(encoded)
decoded = LSTM(input_dim, return_sequences=True)(decoded)
sequence_autoen
浏览 13提问于2017-12-26得票数 0
2回答
我正在尝试创建一个keras LSTM来预测时间序列。我的x_train的形状像3000,15,10 (示例，时间步长，特征)，y_train像3000,15,1，我正在尝试建立一个多对多模型(每个序列10个输入特征就是1个输出/序列)。
我使用的代码是这样的：
model = Sequential()
model.add(LSTM(
10,
input_shape=(15, 10),
return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(
100,
return_sequence
浏览 3提问于2017-10-25得票数 0
我使用的是Keras的LSTM模型。 输入数据形状：(无，210，4) “210”是“21个样本*10” 称为输入数据形状：(无，21，4) 这本应是个问题，但事实并非如此。 我可以连续使用这个吗？ 为什么会出现这样的问题？ 警告:tensorflow:模型是使用输入输入( KerasTensor(type_spec=TensorSpec(shape=(None，210，4)，dtype=tf.float32，name='lstm_ input ')，name='lstm_ input '，description=“由层‘lstm_input’”创建)的sha
浏览 12提问于2021-05-05得票数 0
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
我试图用Keras实现LSTM，以解决多类问题。我输入了尺寸1007x5的csv。每个实例的特性数为5个，总共有12个类。下面是代码
seed = 7
numpy.random.seed(seed)
input_file = 'input.csv'
def load_data(test_split = 0.2):
print ('Loading data...')
dataframe = pandas.read_csv(input_file, header=None)
dataset = dataframe.values
X
浏览 1提问于2018-04-08得票数 0
回答已采纳
2回答
虽然我试图实现一个用于轨迹分类的LSTM网络，但即使是简单的轨迹，我也一直在努力获得像样的分类结果。此外，我的训练精度一直在波动，没有明显增加，这也可以在tensorboard中看到：
训练准确率：
这是我的模型：
model1 = Sequential()
model1.add(LSTM(8, dropout=0.2, return_sequences=True, input_shape=(40,2)))
model1.add(LSTM(8,return_sequences=True))
model1.add(LSTM(8,return_sequences=False))
mode
浏览 1提问于2018-08-03得票数 1
我的网络由LSTM和密集部件组成，由另一个密集部分连接在一起的，I不能连接(1，8)，(None，32)的输入。Reshape和Flatten不起作用。
这里是架构：
def build_model_equal(dropout_rate=0.25):
curve_input_1 = Input(batch_shape=(1, None, 1), name='curve_input_1')
lstm_1 = LSTM(256, return_sequences=True, dropout=0.1)(curve_input_1)
lstm_1 = LSTM
浏览 0提问于2018-11-22得票数 1
回答已采纳
1回答
我不确定这在Keras中是否可行，但我想知道是否有任何方法连接来自LSTM层的特定值。我希望使用LSTM对整个序列进行编码，但对于预测，只使用特定的列。例如：
，我使用两个大小为5的输入序列(因此，我的输入形状是一个输入是(无，5)和(无，5)。然后嵌入序列，我的输入形状是(None，5,300)和(None，5,300)，然后我用带有200个LSTM单元的LSTM层编码序列，最后的形状是(None，5,200)和(None，5,200)。
现在我不想连接整个序列，而是用lstm_1编码的最后4个单词和lstm_2中的第一个单词。
> input_1 = Input(shape=(5,
浏览 0提问于2019-11-13得票数 0
回答已采纳
3回答
我正在尝试使用来训练LSTM模型。我的训练数据是这样的：
>>> data.shape()
(100000,variable_sequence_lengths,295)
其中100000对应于实例的数目(序列的总数)，295表示给定序列的每个元素中的特征数。
我收到有关输入数据形状的错误。如何定义输入层和后续层(LSTM)中考虑可变序列长度的数据的形状？
from keras.layers import Input, Dense, concatenate, LSTM
from keras.models import Model
import numpy as np
inpu
浏览 0提问于2019-05-20得票数 2
回答已采纳
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
我正在用LSTM构建我的第一个神经网络，我的输入大小有一个错误。
我想误差是在输入参数，在大小，尺寸，但我无法理解的错误。
print df.shape
data_dim = 13
timesteps = 13
num_classes = 1
batch_size = 32
model = Sequential()
model.add(LSTM(32, return_sequences = True, stateful = True,
batch_input_shape = (batch_size, timesteps, data_dim)))
model.
浏览 0提问于2019-07-10得票数 1
回答已采纳
2回答
我正在尝试keras.layers.LSTM，下面的代码可以工作。
#!/usr/bin/python3
import tensorflow as tf
import numpy as np
from tensorflow import keras
data = np.array([1, 2, 3]).reshape((1, 3, 1))
x = keras.layers.Input(shape=(3, 1))
y = keras.layers.LSTM(10)(x)
model = keras.Model(inputs=x, outputs=y)
print (model.predi
浏览 0提问于2019-09-07得票数 0
回答已采纳
keras.layers.LSTM(150, activation='sigmoid',return_sequences=True,input_shape=(X_train.shape)),
keras.layers.Dropout(0.2),
上面是第一层(5793993，7，1)，这是输入的形状。
ValueError:在检查输入时出错:期望lstm_12_input具有形状(5793993，7)，但得到与形状(7，1)相同的数组
什么是修复这个tensorflow错误
浏览 2提问于2020-03-16得票数 0
1回答
我正试着预测第二天的开盘价。我能够获得格式正确的输入，即('Open'，'High‘列每天n次)。但是，当我将格式设置为三维数组时，我的形状如下：
(1200, 60, 2)
X_train有1200个样本，有60个时间步骤(前60天的历史数据)和2个特性(开放和高)
然而，当它在实现层时到达keras编码部分时，我的问题就出现了。这是我使用的代码：
regressor.add(LSTM(units = 50, return_sequences = True, input_shape = (X_train.shape[1], 2)))
regressor.add(Dro
浏览 4提问于2020-01-31得票数 1
回答已采纳
1回答
我试图创建一个CNN + LSTM网络，但LSTM层不接受输入形状。有什么我能做的吗？
model = Sequential()
model.add(Conv2D(128, (2,2), padding = 'same', input_shape=(30, 216, 1)))
model.add(Activation('relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.2))
model.add(Conv2D(256, (2,2), padding = 'same&
浏览 2提问于2020-05-14得票数 1
回答已采纳
我有暴力情况的视频数据集，我把每个视频转换成7张图像。我使用经过预先训练的vgg16从每一幅图像中提取特征，因此我现在将数据集设置为图像数组，并且每一幅图像都具有7_7_512大小。我只制作了10个数据集的视频，所以我的特征是( 10 *7 = 70)图像，所以我的一系列功能都是形状(70，7，7,512)。
因此，我把我的数据重塑成这样的概念(样本、时间步骤、特性)--我把我的样本作为我的视频，我的时间步骤是来自每一个视频的图像数，即7幅图像，而功能的数量是7_7_512 = 25088，所以我重新输入了(10,7,25088)，这是我的代码：
lstm_train_sample = np.
浏览 9提问于2020-04-23得票数 1
1回答
我有个关于Tensorflow LSTM-实现的问题。目前TF中有几种实现，但我使用：
cell = tf.contrib.rnn.BasicLSTMCell(n_units)
其中n_units是“平行的”LSTM-单元的数量。
为了得到我的输出，我调用：
rnn_outputs, rnn_states = tf.nn.dynamic_rnn(cell, x,
initial_state=initial_state, time_major=False)
其中(作为time_major=False) x是形状(batch_siz
浏览 2提问于2017-02-26得票数 7
1回答
我对LSTM的3D输入形状感到非常困惑。 根据互联网，它说的输入形状是[batchsize, timestep, feature]。 所以如果我有1000 timesteps * 10 features的2D数据，我想要预测它的未来。 另外，如果我希望LSTM层读取10个时间步，然后预测下一个时间步，即读取t= 1-10，预测t=11。 这会使我的输入形状成为[990,10,10]还是[10,990,10] 提前谢谢。
浏览 25提问于2020-09-08得票数 0
回答已采纳
1回答
我想训练一个LSTM模型，从两个输入变量中预测两个变量。
X和Y将包含相同的数据。这里是X的一个例子：
array([[41.39084204, 2.16312765],
[41.39063094, 2.16710319],
[41.39048993, 2.16705291],
...,
[41.3937295 , 2.16270432],
[41.39130639, 2.16328958],
[41.39079175, 2.16311477]])
我将其转换为三维[x.reshape(x.shap
浏览 1提问于2022-06-30得票数 1
我正在使用keras函数api，但是我得到了一个关于模型输入形状的错误-
ValueError:输入0与financial_model层不兼容:期望shape=(无，1，62)，找到shape=(1，62)
samples = np.array(samples, dtype=np.float64)
labels = np.array(labels, dtype=np.uint8)
x_train, x_test, y_train, y_test = train_test_split(samples, labels, test_size=0.33,
random_state=42)
浏览 4提问于2021-10-17得票数 0
我正在尝试使用LSTM预测时间序列，并使用Keras用Python编写代码。
我有30个特征作为输入(连续值)和一个二进制输出。
我想使用之前的20个时间步(t-20，t-19，..，t-1)，以便预测下一时间步(t+1)的输出。
我的批量大小固定为52。这到底是什么意思？
我不知道如何定义输入层的形状。
Keras文档中的堆叠LSTM示例说明3D张量的最后一个维度将是'data_dim‘。
是输入维度还是输出维度？
如果这是输出维度，那么我不能使用多个输入特性，因为在我的例子中，input_shape将是(batch_size=52,time_step=20,data_dim=1)。
浏览 2提问于2019-02-15得票数 0
1回答
如何将5D张量输入LSTM？
、、、、
我有视频数据输入的三维CNN网络的形状为(150，80，80，16，3)。
我得到了形状(150，7，7，2,512)的conv层的输出，表示：
150编号。序列的
7,7高和宽
2时间维
512特征地图
我想将其输入到LSTM中，因此我将输出数据重新定义为：
model.add(Reshape((1, 7*7*2*512)))
model.add(LSTM(100, return_sequence=true))
它适用于LSTM，但我不确定这是否正确(应该将时间空间= 16并根据我们最初选择的时间维度将特征号更改为3136 )。我知道LSTM应该得到一个形状的数据(序列，时间空间，特征).
浏览 0提问于2018-06-04得票数 0
回答已采纳
1回答
我正在创建一个多输入模型，其中我连接一个CNN模型和一个LSTM模型。lstm模型包含最后5个事件，CNN包含最后一个事件的图片。两者都被组织起来，使得numpy中的每个元素k与5个事件和相应的图片相匹配，输出标签也是如此，输出标签是应该由模型预测的“下一个”事件。
chanDim = -1
inputs = Input(shape=inputShape)
x = inputs
x = Dense(128)(x)
x = Activation("relu")(x)
x = BatchNormalization(axis=chanDim)(x)
x = Dropout(0.3)(
浏览 2提问于2020-05-01得票数 0
回答已采纳
2回答
嵌入N维序列后的LSTM
、、、
我有一个具有形状(100000, 200, 2)的2维train_seq的输入序列，即100000个训练示例，序列长度为200，以及2个特征。 这些序列是文本，因此每个元素都是一个单词，词汇量为5000个单词。因此，我想在LSTM之前使用嵌入层。 MAX_SEQUENCE_LENGTH = 200
EMBEDDING_SIZE = 64
MAX_FEATURES = 5000
NUM_CATEGORIES = 5
model_input = Input(shape=(MAX_SEQUENCE_LENGTH,2))
x = Embedding(output_dim=EMBEDDING_SI
浏览 17提问于2019-01-10得票数 0
回答已采纳
1回答
火炬: LSTM输入和输出维数
、、、、
我对LSTM的输入和输出维度有点困惑：
Here is my network:
Intent_LSTM(
(embedding): Embedding(41438, 400)
(lstm): LSTM(400, 512, num_layers=2, batch_first=True, dropout=0.5)
(dropout): Dropout(p=0.5, inplace=False)
(fc): Linear(in_features=512, out_features=3, bias=True)
).
这里的形状是: 50,150,400，50是批次大小，150 seq长
浏览 2提问于2019-12-08得票数 1
回答已采纳
在过去的一天里，我了解了LSTM's，然后我决定看一个使用Keras创建它的教程。
model = Sequential()
model.add(LSTM(10, input_shape=(1,1)))
model.add(Dense(1, activation='linear'))
model.compile(loss='mse', optimizer='adam')
X,y = get_train()
model.fit(X, y, epochs=300, shuffle=False, verbose=0)
然后他们预测
model
浏览 0提问于2019-06-10得票数 5
回答已采纳
1回答
对于卷积层和lstm层之间的连接，我有一个问题。该数据为形状( 75，5)，其中每个时间步骤有75个时间步骤x5个数据点。我想做的是在(75x5)上做一个卷积，得到新的(75x5)数据，并将这些数据输入lstm层。但是，它不能工作，因为卷积层的形状有许多滤波器，我不需要。因此，卷积层的输出形状为(1,75,5)，lstm层所需的输入为(75,5)。我怎么才能拿到第一个过滤器。
model = Sequential()
model.add(Convolution2D(1, 5,5,border_mode='same',input_shape=(1,75, 5)))
model.
浏览 2提问于2016-02-07得票数 5
回答已采纳
1回答
我对角化层的输出形状有点困惑。我创建了一个样本keras模型，并显示了它的摘要。
numberOfLSTMcells=1
n_timesteps_in=129
n_features=61
inp =Input(shape=(n_timesteps_in, n_features))
lstm= LSTM(numberOfLSTMcells,return_sequences=True, return_state=False) (inp)
fc=Dense(64,activation='relu',name='hidden_layer')(lstm)
out=Dens
浏览 1提问于2021-11-23得票数 0
回答已采纳
我是堆栈，我需要堆积如山的智慧。
我使用Functional在Keras中实现了两个输入神经网络，输入形状如下：
X.shape, X_size.shape, y.shape
((123, 9), (123, 2), (123, 9, 10))
所以，我的问题是，为了使用y张量，我想得到具有三维形状的LSTM的输出形状。我知道，我可以把我的y重塑成二维形状，但是我想用它作为一个三维数组。
from keras.models import Model
from keras import layers
from keras import Input
# first input
list_i
浏览 2提问于2017-08-08得票数 0
回答已采纳
1回答
我有一个新手问题:我构建了一个非常简单的LSTM，它以时间序列数据的窗口作为输入，形状为(batch_size, n_time_steps, n_features)。 这是LSTM： class LSTM(nn.Module):
def __init__(self, input_dim, hidden_dim, num_classes):
super(LSTM, self).__init__()
self.hidden_dim = hidden_dim
self.lstm_layer = nn.LSTM(input_dim, hidde
浏览 9提问于2021-04-20得票数 0
1回答
我想更好地理解 Keras层。
它是否对2D输入(图像)执行2D卷积，然后平均/平坦其输出并将其输入LSTM模块？但我猜它基本上是一个LSTM单元，其中矩阵乘法被卷积运算所取代。对吗？
谢谢
浏览 4提问于2020-07-27得票数 2
回答已采纳
在我的神经网络模型中，我用一个8x256维嵌入矩阵表示一个8个单词的句子。我希望将其作为输入提供给LSTM，其中LSTM一次接受嵌入的单个单词作为输入并对其进行处理。根据pytorch ，输入应该是(seq_len, batch, input_size)的形状。将输入转换为所需形状的正确方法是什么？我不想把数字搞混了。我在PyTorch和行主计算方面是个新手，所以我想在这里问一下。我这样做，对吗？
x = torch.rand(8,256)
lstm_input = torch.reshape(x,(8,1,256))
浏览 1提问于2018-11-28得票数 2
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
即时通信 IM
实时音视频活动推荐
腾讯云开发者
