将输入的每个单独时间步长用作RNN中的要素
将输入的每个单独时间步长用作循环神经网络（Recurrent Neural Network，RNN）中的要素是指在RNN模型中，将时间序列数据按照时间步长逐个输入模型进行处理。
RNN是一种具有记忆功能的神经网络，适用于处理序列数据，如时间序列、自然语言等。在RNN中，每个时间步长都有一个输入和一个隐藏状态，隐藏状态可以看作是网络的记忆，用于捕捉序列中的上下文信息。将输入的每个单独时间步长用作RNN中的要素，可以使模型能够对序列中的每个时间点进行建模和预测。
优势：
- 捕捉序列信息：RNN能够通过隐藏状态记忆之前的输入信息，从而捕捉到序列中的上下文信息，有助于理解和预测序列数据。
- 处理可变长度序列：RNN可以处理可变长度的序列数据，适用于不同长度的输入。
- 参数共享：RNN在每个时间步长使用相同的参数，减少了模型的参数量，提高了训练效率。
应用场景：
- 语言模型：RNN可以用于生成文本、机器翻译、语音识别等自然语言处理任务。
- 时间序列预测：RNN可以用于股票价格预测、天气预测等时间序列预测任务。
- 动作识别：RNN可以用于动作识别、手势识别等人体动作分析任务。
- 语音合成：RNN可以用于语音合成、语音转换等语音处理任务。
腾讯云相关产品： 腾讯云提供了多个与人工智能和云计算相关的产品，以下是其中几个推荐的产品和产品介绍链接地址：
- 腾讯云AI Lab：提供了丰富的人工智能开发工具和资源，包括自然语言处理、图像识别、语音识别等领域的API和SDK。详情请参考：https://cloud.tencent.com/product/ailab
- 腾讯云云服务器（CVM）：提供了弹性计算能力，可用于搭建和部署各类应用和服务。详情请参考：https://cloud.tencent.com/product/cvm
- 腾讯云数据库（TencentDB）：提供了多种类型的数据库服务，包括关系型数据库、NoSQL数据库等，满足不同场景的数据存储需求。详情请参考：https://cloud.tencent.com/product/cdb
- 腾讯云物联网平台（IoT Hub）：提供了物联网设备接入、数据管理和应用开发的一体化解决方案，支持海量设备接入和数据处理。详情请参考：https://cloud.tencent.com/product/iothub
以上是关于将输入的每个单独时间步长用作RNN中的要素的完善且全面的答案。
相关·内容
pytorch中的GRU层接受一个名为num_layers的参数，您可以在其中堆叠RNN。然而，还不清楚后续的RNN如何确切地使用前一层的输出。
根据文档：
递归层数。例如，设置num_layers=2将意味着将两个GRU堆叠在一起以形成堆叠的GRU，第二个GRU接收第一个GRU的输出并计算最终结果。
这是否意味着GRU第一层的最后一个单元的输出将作为输入输入到下一层？或者这是否意味着每个单元的输出(在每个时间步)作为输入输入到下一层的相同时间步的单元？
浏览 6提问于2021-09-23得票数 2
我正在尝试使用Estimator构建一个LSTM网络。我的数据看起来像
X = [[1,2,3], [2,3,4], ... , [98,99,100]]
y = [2, 3, ... , 99]
我使用的是Estimator：
regressor = learn.Estimator(model_fn=lstm_model,
params=model_params,
)
lstm_model函数的位置
def lstm_model(features, targets, mode, p
浏览 1提问于2016-12-15得票数 3
1回答
我是RNN的新手，我想使用Tensorflow构建一个一对多的RNN。我的模型中的“一个”输入是一个3个坐标的向量(类似于x0，y0，z0)，而我希望实现的“许多”输出是一个由50个数字组成的序列，每个时间步对应一个数字。
例如，我在三维空间中给出了这个单点，比如P= 1，2，3，我希望预测一个50个数字的序列，表示该点50个连续时间步长的温度。
我搜索了很多关于示例代码的内容，但我在网上找不到一个好的一对多RNN。非常感谢你在这方面的帮助。
浏览 0提问于2020-10-09得票数 1
1回答
我正在对一些数据使用Keras。以下是详细信息:8000个客户，每个客户的时间步长从2到41不等。因此，我使用零填充来确保所有客户都有41个时间步长。所有8,000个客户都有两个功能，数据带有多类标签，0-4。每个tilmestep都有一个标签。
在训练模型之后，在过程的测试部分，我想输入时间步长1-40的特征和标签，然后让它预测第41个时间步长的标签。有没有人知道这是否可能？我发现Keras在解释它实际预测的东西时有点像黑匣子(例如，当它给出一个准确度分数时，这是什么的准确度？它试图预测什么:最后一个tilmestep标签还是所有tilmestep标签？)
是否存在应在顺序Keras LST
浏览 4提问于2019-11-26得票数 0
1回答
众所周知，RNN或LSTM将以前的时间戳数据保存为“内存”，以便可以记住短期或长期依赖项。
但是在下面简单的keras模型中，延迟或内存问题在哪里呢？它只是每次接受每个输入，并在同一时间抛出输出！
model = Sequential()
model.add(LSTM(10))
model.add(Dense(2))
浏览 0提问于2023-01-26得票数 0
在SimpleRNN (https://keras.io/layers/recurrent/#simplernncell)的文档中，它被描述为“输出反馈到输入的完全连接的RNN”。 有没有一种简单的方法可以使用这个层(或其他内置方法)，这样我就可以输入新的输入(而不是使用前一个时间步的输出)？ 例如，我有一个一千个数字的序列 [1 2 3 4 5, ..., 999, 1000] 我想要在1000个时间步长上输入到RNN中。 从数学上讲，这相当于拥有一个系统： ? 与此相对的是： ?
浏览 17提问于2019-03-10得票数 1
1回答
我想预测一些与空间天气相关的指标(kp，Dst等)。使用RNN或LSTM。建立多对一模型是可能的，尽管它显示出较低的准确性。然而，我的目标是通过过去3天的观察来预测未来的7天。
问题是，是否有可能在功能上构建具有更长输出长度(或时间步长)的RNN？而不是输入？
任何帮助都将不胜感激！请帮帮我。
浏览 13提问于2018-08-16得票数 1
回答已采纳
1回答
背景
大家好,
我正在使用2.9.2和Keras2.9.0开发一个简单的RNN。我已经经历了很长一段时间了，但我似乎不能把一切都做得很好。我的RNN的输入是0~6包含的序列，表示为一个热编码的列向量。目标只是一个0~6的值，表示为一个热编码的行向量.
->目标6的输入
输入0，6 ->目标0
输入0，6，0，3 ->目标0
输入0，6，0，3，0 ->目标5
根据我从其他堆栈溢出问题、博客文章、keras文档等收集到的信息，就我的模型而言，下面的代码应该接近我的用例所需的所有内容。
# Bulding RNN Model
model = Non
浏览 5提问于2022-10-15得票数 0
我指的是seq2seq模型在keras (https://github.com/fchollet/keras/blob/master/examples/addition_rnn.py)中的示例代码。模式是：
model = Sequential()
model.add(RNN(HIDDEN_SIZE, input_shape=(MAXLEN, len(chars))))
model.add(RepeatVector(DIGITS + 1))
for _ in range(LAYERS):
model.add(RNN(HIDDEN_SIZE, return_sequences=Tru
浏览 0提问于2016-08-15得票数 3
在pytorch中，我们可以给出一个填充序列作为RNN的输入。从中，RNN的输入可以如下所示。
输入(seq_len，batch，input_size)：包含输入序列特征的张量。输入也可以是一个压缩可变长度序列。
示例
packed = torch.nn.utils.rnn.pack_padded_sequence(embedded, input_lengths)
outputs, hidden = self.rnn(packed, hidden)
outputs, output_lengths = torch.nn.utils.rnn.pad_packed_sequence(outp
浏览 0提问于2017-07-06得票数 14
回答已采纳
在Tensorflow的RNN教程中：。它提到了两个参数:批量大小和时间步长。我被这些概念搞糊涂了。在我看来，RNN引入批处理是因为训练序列可能很长，以至于反向传播无法计算那么长的(爆炸/消失梯度)。因此，我们将长的待训练序列划分为较短的序列，每个序列都是一个小批量，其大小称为“批大小”。我说对了吗？
关于时间步长，RNN仅由一个单元(LSTM或GRU单元，或其他单元)组成，并且该单元是连续的。我们可以通过展开序列概念来理解它。但是展开一个连续的单元格是一个概念，而不是真实的，这意味着我们不会以展开的方式实现它。假设待训练序列是一个文本语料库。然后，我们每次向RNN单元提供一个单词，然后更新权
浏览 1提问于2017-06-06得票数 16
我正在尝试RNN来解决一个可变长度的多变量序列分类问题。
我定义了以下函数来获得序列的输出(即，序列的最终输入馈送后的RNN单元的输出)
def get_sequence_output(x_sequence, initial_hidden_state):
previous_hidden_state = initial_hidden_state
for x_single in x_sequence:
hidden_state = gru_unit(previous_hidden_state, x_single)
previous_hidden_st
浏览 15提问于2016-07-22得票数 10
回答已采纳
1回答
我最近在Keras (以Tensorflow为后端)构建了一个CNN，它将恒星光谱作为输入，并预测三个恒星参数作为输出:温度、表面重力和金属丰度。我现在正在尝试创建一个做同样事情的RNN，以便比较这两个模型。
在搜索示例和论坛后，我还没有发现许多与我的项目足够相似的应用程序。我已经尝试实现了一个简单的RNN，看看我是否能得出合理的结果，但到目前为止还没有成功:这些网络似乎根本没有学习。
我真的需要一些指导来开始我的学习。具体而言: RNN是否是解决此类问题的合适网络？模型的正确输入形状是什么？我知道这取决于网络的架构，所以我猜我的下一个问题是:什么是能够计算回归预测的简单架构？
我的输入数据是
浏览 7提问于2017-03-10得票数 3
回答已采纳
我有一个张量，它需要使用tensorflow LSTM/RNN预测序列中的下一个元素，同时考虑前面的5个元素。我应该在X和Y中输入什么？
从1 2 3 4 5开始，我想预测6
假设我的输入序列X是：
X = 1 2 3 4 5
6 7 8 9 10
11 12 13 14 15
...
我的Y是：
Y = 2 3 4 5 6
7 8 9 10 11
12 13 14 15 16
... ?
或者我应该喂它：
X = 1 2 3 4 5
2 3 4 5 6
3 4 5 6 7
....
我的Y是：
Y = 6
浏览 14提问于2017-03-13得票数 2
回答已采纳
我正在尝试实现https://dl.acm.org/doi/pdf/10.1145/3269206.3271794。
结构：
📷
如其所述：
特别地，我们将从每个循环编码器中学习到的嵌入向量集成到一个新的结论嵌入向量中，共同考虑具有不同⟨α，β⟩配置的各种时间序列模式。
据我所知，它使用多个独立的rnn单元来处理不同的时间序列，然后将所有的隐藏状态连接在一起，形成一个3D输入，该输入可以使用2d conv提取特征。
但我没有看到有办法在同一层创建多个rnn细胞，我是否误解了？？如果没有，你能给我一个指南或例子吗？
浏览 0提问于2020-11-20得票数 1
回答已采纳
1回答
我一直在看这篇关于RNN的文章：
但是，我对多对一RNN感兴趣。因此，我对如何应用截断反向传播感到困惑。
此外，如果可能的话，我对在训练和测试中使用不同的时间步长很感兴趣。有可能做到这一点吗？
总结问题: 1.如何对多对一的RNN使用适当的截断BP ? 2.如何使用变长序列进行训练/测试？
浏览 2提问于2018-04-20得票数 0
我目前正在学习RNN和Tensorflow RNN API。
对于tf.contrib.rnn.static_rnn，它有一个参数initial_state，这是一个可选参数。传递初始状态和不传递初始状态有什么区别？如果我不添加initial_state，这是否意味着RNN内部状态输出将不会继续？
非常感谢!
浏览 2提问于2018-07-14得票数 1
1回答
如何调试RNN？
、、、、
我已经为一个光学应用设置了一个ResNet50网络。对于两个输入图像，网络给出了65个值的估计(回归)，它工作得很好。然而，这两个输入图像属于一个时间序列，并且该时间序列的图像将在10-15倍的范围内存在一定程度的相关性，因此我预计额外的RNN可以改善估计。我尝试设置图中所示的网络，使用通过单独训练和“TimeDistributed”ResNet50s找到的大多数冻结的ResNet50参数值。然而，RNN训练并不能提供有用的准确性。
我现在已经花了2-3周的时间尝试调试我的代码(特别是生成器)，但我没有发现任何编码错误。在沮丧中，我试图建立我能想到的最简单的RNN :一个具有一个或两个线性激
浏览 9提问于2019-10-27得票数 2
1回答
我希望实现一个类似于这的自定义RNN/LSTM模型。模型应以两个独立的向量作为输入，并对它们进行处理。我遵循keras教程来实现一个自定义角化层，并将两个向量a和b作为列表A，b输入到该层，如下所示。
import keras
from keras.layers.recurrent import RNN
import keras.backend as K
class MinimalRNNCell(keras.layers.Layer):
def __init__(self, units, **kwargs):
self.units = units
se
浏览 0提问于2019-10-15得票数 1
2回答
我正在研究https://www.tensorflow.org/tutorials/text/text_generation上的一个Keras示例 这个模型是这样构建的： def build_model(vocab_size, embedding_dim, rnn_units, batch_size):
model = tf.keras.Sequential([
tf.keras.layers.Embedding(vocab_size, embedding_dim,
batch_input_shape
浏览 18提问于2020-10-31得票数 1
回答已采纳
我是tensorflow的新手，我想做一些时间序列预测，并遵循链接。我希望有36小时数据作为输入，然后连续48小时作为输出数据，因此我将x和y批次如下：
""" Making our training dataset with batch size of num_period """
x_batches = {'NSW': X_NSW.transpose().reshape(-1,72,1),
'QLD': X_QLD.transpose().reshape(-1,72,1),
浏览 0提问于2018-07-19得票数 0
回答已采纳
1回答
我是深度学习的初学者。我正在使用keras库实现LSTM，为了预测天气数据，我有训练和测试数据。在删除一些变量之后，我的输入数据具有以下形状。
('X_train', (117, 22))
('y_train', (117,))
('X_test', (13, 22))
('y_test', (13,))
现在，我正在将这些数据输入到下面的LSTM代码中，但是我不能确定输入形状，这是我面临的问题。下面给出了我正在应用的LSTM的完整代码。
import os
print os.getcwd()
import pandas
impo
浏览 4提问于2017-07-31得票数 0
1回答
RNN基本怀疑
、、、、
假设我有两句话：“我叫亚历克斯”“亚历克斯是我的名字”
如果我使用RNN，在处理完这两个句子之后，最终的输出向量会是相同的吗？
因为RNN基本上分担权重，而且两个句子的字数相同，所以两个句子中的最后一个词处理后的最终输出不应该是相同的吗？
我很清楚，在RNN中处理每个单词时，下一个单词将基于当前和以前处理的单词。但是，这两个句子用相同的词进行完整的处理又如何呢？他们会有相同的最终产出吗？
浏览 0提问于2022-07-07得票数 0
回答已采纳
我的数据不是时间序列，但它具有顺序属性。
考虑一个示例：
data1 = matrix(rnorm(10, 0, 1), nrow = 1)
label1 = rnorm(1, 0, 1)
label1是data1的函数，但数据矩阵不是时间序列。我认为标签不只是一个数据样本的函数，而是更多旧样本的函数，这些旧样本在时间上是自然排序的(而不是随机采样的)，换句话说，数据样本相互依赖。
我有一批例子，比如说，16个。
有了这个，我想了解如何设计一个RNN/LSTM模型，它将记住批处理中的所有16个示例，以构造内部状态。我尤其对seq_len参数感到困惑，据我所知，该参数特别涉及用作网络输入的时间序
浏览 1提问于2018-08-02得票数 0
回答已采纳
我正面临一个问题，使用导入到我的Simulink块工作空间的数据。
我的案子：
在对实际的Simulink模块实现该方法之前，我做了一个简单的框图来模拟结果。我使用一个“从工作区”块读取数据，并使用一个范围来观察输出。以下是设置：
t=0:22/565:22
a.time=t
a.signals.values=ddata %ddata contains [565x1] datas
a.signals.dimensions=1;
我意识到范围中的结果与数据不匹配。
我发现在这个网站()上，Simulink求解器所采取的步骤与输入时间向量中指定的步骤不同。
试图解决：
我将时间向量设置为零，但
浏览 4提问于2013-03-29得票数 0
我想在tensorflow中创建一个LSTM来预测时间序列数据。我的训练数据是一组不同长度的输入/输出序列。我可以在同一批训练中包含多个不同长度的序列吗？或者我需要将它们填充成相同的长度？如果是这样的话，是怎么做的？
另外:如果展开的RNN比输入序列长，tensorflow会做什么？rnn()方法包含一个可选的sequence_length参数，该参数似乎旨在处理这种情况，但我不清楚它是做什么的。
浏览 2提问于2016-05-11得票数 1
我成功地训练了一个Keras/TensorFlow模型，该模型由层SimpleRNN、→、Conv1D、→、GRU、→密度层组成。该模型旨在运行在Apple Watch上进行实时推理，这意味着我希望为其提供一个新的特征向量，并预测每个时间步骤的新输出。我的问题是，我不知道如何将数据输入到它，以便卷积层接收来自RNN层的最新k输出。
我可以看到三个选择：
一次给它提供一个特征向量，即(1,1,6)。在这种情况下，我假设卷积层只接收一个时间步长，因此对于所有以前的样本，给它提供了每个时间步骤的最后k个特征向量，即(1,9,6)，其中k=9是CNN的内核长度。在这种情况下，我假设循环层中的状态流不起
浏览 8提问于2022-07-12得票数 0
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
我正在研究一个回归模型，它每小时有50个数据点。我很难决定批量大小和时间步长之间的差异。根据我的理解，批处理大小是用来决定在做出预测之前我们要考虑多少个数据点。该值越大，模型收敛所需的时间越长。如果是这种情况，我很清楚批量大小的定义。因此，如果我的模型不需要很长时间，我可以只使用最大值吗？这是测试数据的最大值吗？ 那么时间步长呢？对于一个模型，假设你每分钟测量一次温度，直到30小时，那么时间步长是多少？如果使用RNN了解回归的人能回答我的疑问，我将不胜感激。
浏览 59提问于2021-09-16得票数 0
回答已采纳
1回答
我想对500个字符长的文本样本进行分类，看看它们是否像使用字符级RNN的自然语言。我不确定向RNN提供输入的最佳方法。以下是我想到的两种方法：
向RNN提供整个500个字符(每个时间步骤一个字符)，并预测一个二进制类\{0,1\}。
提供较短的重叠段(例如10个字符)，并预测下一个字符(例如第11个字符)。通过接受测试输入将其转换为分类，并根据预测的下一个字符分布计算观察到的字符的联合概率。
第一种方法似乎不太理想，因为我不认为第一个字符会对第500个字符的预测产生任何影响。第二种方法给了我很小的可能性，当你计算联合概率时。
我的目标是建立一种更精细的语言模型，类似于n克频率计数。我现在使用的
浏览 0提问于2020-11-29得票数 0
1回答
我正在设置一个具有多变量时间序列的LSTM自动编码器。我的每个序列都有不同的时间步长(一个序列中大约有3000万个步长)和6个特征。我知道要将一个序列作为LSTM自动编码器的输入，我必须重塑我的序列，因为(1,3000万，6).I以类似的方式重塑了我所有的9个序列。我想让自动编码器重建我的序列。然而，由于每个序列中的大量时间步长，我的程序崩溃了。我如何解决这个内存错误。即使我以批大小给出数据，我的程序也会耗尽内存。我是机器学习和序列学习的新手，所以请帮助我使用下面附上的same.My网络：`
def repeat_vector(args)：
[layer_to_repeat, sequenc
浏览 1提问于2019-02-01得票数 1
1回答
我想让神经网络在，但不知道如何重塑输入或我的自定义嵌入层。它是由Google TensorFlow集线器模块创建的，用于为LSTM层提供三维输入。
通常，当我们需要重塑一个LSTM网络时，我们重塑输入，而不是另一个层。具体来说-根据，我们希望形状表示：
样本:一个序列就是一个样本。一批由一个或多个样本组成。
时间步骤:一个时间步骤是样本中的一个观察点。
特征:一个特性是一步一步的观察。
我的代码：
import tensorflow_hub as hub
from tensorflow.dtypes import as_string
import tenso
浏览 1提问于2019-04-17得票数 0
我有这段来自youtube视频的Keras代码： from keras.models import Sequential
from keras.layers import Embedding, SimpleRNN
model = Sequential()
model.add(Embedding(10000, 32))
model.add(SimpleRNN(32))
model.summary() 摘要的输出如下： _________________________________________________________________
Layer (type)
浏览 33提问于2019-06-13得票数 1
回答已采纳
这是此问题的副本
我希望在时间步长T传递RNN的输出作为时间步长T+1的输入。input_RNN(T+1) = output_RNN(T)根据文档，tf.nn.rnn以及tf.nn.dynamic_rnn函数显式地接受所有时间步长的完整输入。
我在上检查了单元格示例，它使用一个循环并调用seq2seq (input，state)函数。信元可以是lstm或gru或任何其他rnn信元。我查看了文档以查找cell()的参数的数据类型和形状，但我只找到了表单单元格的构造器(Num_neurons)。我想知道将输出传递给输入的正确方式。我不想使用其他的库/包装器，比如构建在tensorflow之上的ke
浏览 4提问于2016-09-25得票数 13
1回答
我目前正在学习这个纸，以便将它实现到语音识别应用程序中，但在理解时间步长的概念方面似乎存在一些问题。什么是时间步骤？
我以前没有使用过RNN，但我会猜测，在连续的数据流中，时间步长将是时间t处的数据。
但是如何在基于迭代的系统中实现/训练这样的东西呢？
我的意思是像角角，一个不能涉及输出从t-1到t.如果是这样的话，怎么做？，我似乎对此不熟悉.
在另一篇论文里我找到了这个
为了理解RCL的本质，在RCL中引入时间步长的概念是非常有用的。它与与顺序数据关联的时间不完全相同，而是指处理数据时的迭代。
来自用于语音处理的递归卷积神经网络
这进一步证实了我的理论，它是关于作为迭代t-1涉及/处理的数据
浏览 0提问于2017-07-07得票数 2
1回答
我是一个新的keras用户，我想很容易地理解如何构建一个lstm模型。
在我的数据中，我有很多用户，它们有很多序列，如下所示：
user 1 :
X Labels
sequence 1 [ 0, 1 , 0, 1]
sequence 2 [ 0, 1 , 0, 1]
sequence 3 [ 0, 1 , 0, 1
sequence 4 ?
user 2 :
X labels
sequence 1 [ 0, 1 , 0, 1]
se
浏览 3提问于2017-06-10得票数 0
回答已采纳
1回答
我正在用RNN (LSTM)编写一个音乐转录系统。
输入:每个时间步骤一个特征向量(每秒约40个时间步骤)
输出:每个时间步骤(dimension=36)一个二进制注释向量(1为on，0为off)。
模型: LSTM(512) + LSTM(256) +致密(36，激活=‘sigmoid’)
我目前正在对单声道数据进行培训(即，我的输出最多每步1次)。
问题是，由于稀疏性，使用的最佳策略是始终返回0。我尝试了损失函数“均方误差”、“平均绝对误差”、“二进制交叉熵”、“cosine_proximity”以及我用keras编写的一个自定义函数：
K.sum(K.abs(y_pred - y_tru
浏览 0提问于2016-12-19得票数 0
回答已采纳
我构建了一个LSTM模型来分析时间序列，输入矩阵X的大小为( 1750，20，28)，长度为1750，序列长度为20和28个特征。实际上，我将我的原始X矩阵包含28个特征，并创建了一个具有长度为20的滑动窗口的3D矩阵。y矩阵的大小为(1750 )，我成功地将其用于LTSM (输入形状= X_train1，X_train2)。 它与第一层model.add(layer_LSTM1)或堆叠的LSTM一起工作得很好，但它不会给出很好的结果(如果我运行两次相同的NN，则会非常不稳定)。然后，我尝试使用相同的输入形状在同一数据集上应用conv1D NN。我收到一条错误消息，如下所示。以下是模型定义和
浏览 19提问于2020-08-13得票数 1
根据我的理解，pack_sequence和pack_padded_sequence返回一个PackedSequence，它的data属性应该始终是一维的。
但是，下面的代码给出了错误：RuntimeError: input must have 2 dimensions, got 1。
import torch
import torch.nn.utils.rnn as rnn_utils
a = torch.Tensor([1, 2, 3])
b = torch.Tensor([4, 5])
c = torch.Tensor([6])
seq = rnn_utils.pack_sequence(
浏览 0提问于2018-11-07得票数 1
回答已采纳
我正在尝试建立一个递归神经网络，输入来自mnist数据库，所以它们是28x28像素的图像。
这是我的网络模型：
def _pre_activation(self, input_values, layer):
return tf.add(tf.matmul(input_values, layer['weights']), layer['biases'])
def network_model(self, x):
layer = {'weights':tf.Variable(tf.random_normal([self.rnn_size
浏览 16提问于2018-06-04得票数 1
3回答
我是CNN，RNN和深度学习的新手。我正在尝试制作将CNN和RNN相结合的架构。输入图像大小= 20,3,48,48 a CNN输出大小= 20,64,48,48现在我希望cnn输出是RNN输入，但我知道RNN的输入必须是三维的，这是seq_len，批处理，input_size如何才能使4维20,64,48,48张量变成三维RNN输入？ 另一个问题是如何启动第一个隐藏状态 torch.zeros() 我不知道我应该在这个函数中传递什么确切的信息。我唯一知道的是 [layer_dim, batch, hidden_dim] 谢谢。
浏览 98提问于2020-06-11得票数 2
tf.nn中有几个与RNN相关的类。在我在网上找到的例子中，tf.nn.dynamic_rnn和tf.nn.rnn似乎可以互换使用，或者至少我不明白为什么要用其中一个来代替另一个。有什么关系？
浏览 5提问于2016-09-28得票数 32
回答已采纳
我希望使用示例并对其进行扩展，以实现下图所示的体系结构。代码以下列方式使用BasicLSTMCell和tf.contrib.rnn.BasicLSTMCell：
lstm_cell = tf.contrib.rnn.BasicLSTMCell(n_hidden)
outputs, states = tf.contrib.rnn.static_rnn(lstm_cell, x, dtype=tf.float32,sequence_length=seqlen)
我打印了“状态”(和输出)，并期望“状态”有输入序列的形状数，其中x是每个输入序列的长度。但是，当我打印“状态”(或“输出
浏览 0提问于2018-09-10得票数 0
1回答
我用下面的代码在keras中定义了一个simpleRNN： # define RNN architecture
from keras.layers import Input
from keras.models import Model
from keras.layers import SimpleRNN
from keras.models import Sequential
model = Sequential()
model.add(SimpleRNN(units = 10,
return_sequences=False,
浏览 62提问于2019-05-01得票数 2
回答已采纳
sequence_size = [4, 2, 3] ### batch_size:4 num_steps:2 embedding_size: 3
num_units = 2
dummy_sequences = np.array([[[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]],
[[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]],
[[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]],
浏览 0提问于2018-05-09得票数 0
回答已采纳
因此，正如我们所知道的，LSTM的输入始终是一个3D数组：batch_size, time_steps, seq_len。那么，如果我将LSTM的输入设置为：batch_size, 1, time_steps * seq_len，会有什么不同吗？
例如，我有5个特征，我使用了4个先前的时间步长。所以如果我给input_shape=(1, 20)，而不是给LSTM的input_shape=(4, 5)呢？有什么区别吗？
浏览 1提问于2019-07-24得票数 0
刚刚开始使用TensorFlow构建用于多类分类的LSTM网络
给定如下所示的结构：，让我们假设每个节点A代表TensorFlow BasicLSTMcell。
根据一些网上流行的例子，培训的输入是batch_size，timeStep_size，feature_size。
让我们假设timeStep_size = 5，feature_size = 2，num_class = 4，给定一个训练集：(虚拟数据)
t = t0 t1 t2 t3 t4
x = [ [1] [2] [2] [5] [2] ]
[ [2] [3] [3] [1] [2] ]
y =
浏览 5提问于2017-06-02得票数 0
2回答
我在为Keras上的RNN准备输入数据时遇到了问题。 目前我的训练数据维度为： 6752:训练数据数量 600:时间步数 13:特征向量的大小(向量为浮点型) 和 都在这个维度上。 我想准备要输入的数据 在凯拉斯上。假设我们正在经历时间步长，从第0步到第599步。假设我想使用 ，这意味着我想使用最近的5个输入。(例如步骤#10、#11、#12、#13、#14 @步骤#14)。 我应该如何重塑 应该是吗？ 或者应该是 应该是什么形状呢？ 加入？ 应该是吗？ 或者 或者
浏览 52提问于2016-05-03得票数 20
回答已采纳
1回答
这是UDACITY中用于情感分类的LSTM代码。
下面是整个句子的链接-rnn代码：
我想知道为什么他们会在for循环的正下方初始化cell状态。
我认为当输入语句改变时，单元状态必须是零初始化，所以它必须在mini-batch for loop语句下。
## part of the sentence-rnn code
# Getting an initial state of all zeros
initial_state = cell.zero_state(batch_size, tf.float32)
with tf.Session(graph=graph) as sess:
浏览 1提问于2017-08-04得票数 3
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
