我的RNN是否仅在1个或2个样本上进行训练？
循环神经网络（RNN）是一种能够处理序列数据的神经网络模型。对于RNN的训练，通常需要使用多个样本来进行训练，而不仅仅是1个或2个样本。
RNN的训练过程中，需要通过反向传播算法来更新网络的权重参数，以最小化损失函数。在每个训练迭代中，RNN会根据输入的序列数据进行前向传播，计算预测值，并与真实值进行比较，得到损失值。然后，通过反向传播算法，将损失值从输出层向输入层进行传播，更新网络的权重参数。
如果只在1个或2个样本上进行训练，很难得到准确的模型。因为RNN的目标是学习序列数据的模式和规律，而不仅仅是记住少数样本的特定模式。通过使用更多的样本进行训练，可以提供更多的数据来帮助网络学习更广泛的模式和规律，从而提高模型的泛化能力和准确性。
因此，建议在训练RNN时使用更多的样本，以获得更好的训练效果。对于云计算领域，腾讯云提供了多种适用于深度学习和神经网络训练的产品和服务，例如腾讯云AI引擎、腾讯云机器学习平台等，可以帮助用户进行大规模的训练任务，并提供高性能的计算资源和丰富的工具支持。
更多关于腾讯云的产品和服务信息，您可以访问腾讯云官方网站：https://cloud.tencent.com/
相关·内容
1回答
学习单词嵌入的常用方法是基于弓模型和跳格模型.
是否有可能训练一个基于RNN的体系结构，比如GRU或LSTM，从一个大语料库中随机的句子来学习单词嵌入？基本上，我们训练一个网络的正负样本，并反向传播到字向量。这种技术的缺点是什么？
任何对类似作品的引用都将受到高度赞赏。
浏览 0提问于2018-08-17得票数 3
回答已采纳
例如，RNN是一个动态的3层双向LSTM，隐藏向量大小为200 (tf.nn.bidirectional_dynamic_rnn)，我有4个GPU来训练模型。我看到一个在批量样本的子集上使用data parallelism，但这并没有加快训练过程。
浏览 18提问于2017-12-12得票数 2
回答已采纳
我使用tensorflow在我的数据集上训练一个简单的两层RNN。训练曲线如下所示：
其中，x-axis是步长(在一个步骤中，使用batch_size数量的样本来更新网络参数)，y-axis是精度。红、绿、蓝三条线分别表示训练集、验证集和测试集的准确率。似乎训练曲线并不平滑，并且有一些损坏的变化。这是否合理呢？
浏览 5提问于2016-10-02得票数 1
我正在做我的第一步学习TF和有一些困难的训练RNN。
我的玩具问题是这样的:一个两层的LSTM +密集层网络被输入原始音频数据，并且应该测试声音中是否存在一定的频率。
因此，网络应该从1到1映射浮动(音频数据序列)到浮动(预选的频率体积)。
我已经在Keras上完成了这个任务，并看到了类似的TFLearn解决方案，但我希望以一种相对高效的方式在裸Tensorflow上实现这一点。
我所做的：
lstm = rnn_cell.BasicLSTMCell(LSTM_SIZE,state_is_tuple=True,forget_bias=1.0)
lstm = rnn_cell.DropoutWr
浏览 1提问于2016-10-08得票数 1
回答已采纳
我正在阅读关于Keras有状态RNN(它通过批/样本传递隐藏状态，从而保留内存)。
但是，在Keras中，有一个，它在批处理上进行训练后具有行model.reset_states()。
这不是完全否定了RNN中的“stateful=True”论点吗？
如果要重置状态，那么为什么不使用默认的'stateful=False‘RNN，在每个批处理之后将隐藏状态重新初始化为零？
浏览 3提问于2017-07-12得票数 1
回答已采纳
1回答
RNN生成序列号
、、、
如果我使用经过训练的RNN(或LSTM)生成系列数据(使用generated-RNN命名网络)，那么我使用该系列数据从头开始训练RNN(即与generated-RNN相同的结构)，是否可以获得与generated-RNN相同的经过训练的网络(相同的训练权重)？
浏览 14提问于2018-01-23得票数 0
我是python keras的新手。随着对Keras的理解，我对Keras的输入形状感到困惑。我觉得在不同的神经网络下，我需要将我的数据重建成不同的形状。 例如，如果我正在构建一个简单的ANN，我的训练数据应该是像m，n这样的矩阵，m是样本的数量，n是特征的数量。但最近我正在学习一维卷积神经网络。我发现教程将训练数据构造为a，b，c，其中a是样本数，b是时间步数，c是特征数(等于1)。但是为什么我不能简单地将数据重塑为a，b呢？因为对于一维卷积神经网络，c将始终为1。 我不确定我是否正确理解了上面的内容。我想知道有没有不同神经网络的training_data形状的总结？或者说，数据的形状背后
浏览 7提问于2019-08-26得票数 0
2回答
我正在构建一个由GA优化的rNN。这恰好是我在这个领域的第一个项目，所以我被某些事情搞糊涂了。如果有人能帮助我更好地理解它们，那就太好了。
首先，ANN和rNN的训练和测试数据集看起来非常不同。例如，如果我预测时间序列，我有一组n个观察值。我该如何使用它呢？我的意思是，我需要n个输入神经元还是1个输入神经元？如何计算误差？每一代还是每第k代？我是否必须对k进行平均(即适应度函数将是k代的均方误差)。
在第n代到达样本的末尾后，我是否需要多次复制它？在这种情况下，我应该使用什么作为测试集，是相同的样本还是不同的样本？
我知道这有很多问题，但如果有人能帮我解决其中的一些问题，我将不胜感激。
浏览 0提问于2013-05-30得票数 1
回答已采纳
1回答
既然LSTM RNN使用以前的事件来预测当前序列，为什么我们要打乱训练数据？难道我们不会丢失训练数据的时间顺序吗？在对混洗后的训练数据进行训练后，它如何仍然有效地进行预测？
浏览 0提问于2017-06-28得票数 37
回答已采纳
1回答
我有一本小说的每一个字的眼睛跟踪数据。每个单词的特征分别给出。我想用100个单词组成一个样本，然后把每个样本作为一个训练实例(而不是一个单词)。我的样本是二维形状矩阵(否)。文字，特征)。如何用这些样本训练我的多对一RNN？
浏览 0提问于2019-05-25得票数 0
回答已采纳
我正在尝试构建一个LSTM模型来使用Keras训练序列。我在这里浏览了一些帖子，但找不到说明样本、功能和时间步长在RNN或LSTM上下文中的含义的说明。
浏览 5提问于2016-08-10得票数 1
1回答
RNN从哪里获取批次大小？
、、、、
我正在训练一个RNN，如下所示：
def create_rnn_model(stateful,length):
model = Sequential()
model.add(SimpleRNN(20,return_sequences=False,stateful=stateful,batch_input_shape=(1,length,1)))
adam = optimizers.Adam(lr=0.001)
model.add(Dense(1))
model.compile(loss='mean_absolute_error', opt
浏览 0提问于2018-10-23得票数 0
回答已采纳
2回答
我将研究一个需要用RNN或深层神经网络来解决的问题。一般来说，问题在于预测金融价值。所以，因为我被赋予了财务数据的顺序作为输入，我认为RNN会更好。另一方面，我认为如果能将数据拟合成某种结构，则可以更好地使用DNN进行训练，因为DNN中的训练阶段比RNN容易。例如，我可以得到最后一个月的信息，并保留30个输入，并预测31天，同时使用DNN。从这个角度看，我不明白RNN相对于DNN的优势。我的第一个问题是RNN或DNN在这个问题中的正确用法。
我的第二个问题有些基本。在训练RNN的时候，难道网络不可能变得“混乱”吗？我的意思是，考虑以下输入: 10101111，我们的输入是一个数字0或1，我们有
浏览 1提问于2015-07-18得票数 3
回答已采纳
我在Windows10上安装了Tensorflow和Keras，并安装了Anaconda。我使用的是英特尔i7处理器。训练一个CSV文件的4000个数据样本需要40分钟，我正在尝试对这些数据执行LSTM RNN预测分析。
这是使用CPU的预期编译时间吗？我们可以使用cpu或切换到GPU来使其更快吗？
浏览 12提问于2017-07-10得票数 0
回答已采纳
在计算Keras (或Tensorflow)中的损失时，是否有一种简单的使用有非均匀惩罚的方法？我的意思是，假设你有5000个训练样本，它们不一样重要，在某些情况下，我们更愿意得到更准确的预测，甚至牺牲了对其他几个样本的不准确估计。我已经有了一些代表样本重要性的系数。
有没有办法在Keras或Tensorflow上实现这样的模型？
浏览 2提问于2019-09-18得票数 0
回答已采纳
这是一个关于如何建立递归神经网络的一般性问题，我认为这是一个非常基本的问题。为了达到这个目的，让我们假设我们正在训练一个自回归语言模型，它试图预测某些文本中的下一个字符。
当我查看训练RNN的现有实现时，我通常会发现，输入到这些RNN的数据是一定长度的片段，输入和输出形状相同，但通过一个示例(例如，预测器x为data 0:n，谓词y为data1:n+1)，它们之间的相对移动。在这样一个RNN的末尾，我们通常会发现某种类型的映射(+softmax)从隐藏状态h_t到类的数量(这里:字符)。通常，这似乎是为每个输入时间样本生成一个类标签，也就是说，我们得到每个输出样本的类标签预测。换句话说，在看到
浏览 1提问于2022-06-06得票数 0
我正在研究Tensorflow text_generation教程()，并想知道他们为什么要洗牌训练数据，尽管GRU的有状态设置是真的？
这与文档()相矛盾：“关于在RNN中使用状态性的注意事项:您可以将RNN层设置为‘有状态的’，这意味着为一个批中的样本计算的状态将被重用为下一批中的样本的初始状态。这假设在不同的连续批中样本之间存在一对一的映射。”
教程中的代码片段：
dataset = dataset.shuffle(BUFFER_SIZE).batch(BATCH_SIZE, drop_remainder=True)
tf.keras.layers.GRU(rnn_units,
浏览 3提问于2020-03-30得票数 3
1回答
n_jobs = -1等价于角点
、、、、
我最近开始学习深度学习。在使用带有n_jobs = -1的sklearn库的机器学习中，使用了我的所有cpu核，这加快了网格搜索的速度。现在我正在尝试在训练数据上拟合一个rnn模型，这需要很长的时间。有什么办法能让我加速训练吗？
# Initialising the RNN
regressor = Sequential()
# Adding the first LSTM layer and some Dropout regularisation
regressor.add(LSTM(units = 50, return_sequences = True, input_shape = (X_t
浏览 0提问于2019-03-08得票数 2
回答已采纳
2回答
我不了解机器学习中迭代的概念。由于编程是确定性的(就像每次运行时做相同的事情一样)，如何通过一次又一次地运行相同的算法来提高的准确性？
这个迭代概念是否与RNN(递归神经网络)-有任何关系，在某种意义上，它们更多地反馈给相同的中子，更多的是-模型或梯度下降)-，在那里，他们为效率采集相同的训练数据样本-？
谢谢
编辑:我所说的迭代是在我在这个网站上找到的这个玩具应用程序中：。
提交人所做的是，他使用RNN创建了一个聊天机器人。我不明白的是，由于每次运行相同的算法，增加迭代次数如何提高预测的准确性。
但是，从@灵性_ done的文章来看，我对迭代的理解似乎是错误的(就像在每次迭代中所做的那样)，
浏览 7提问于2017-05-23得票数 3
回答已采纳
在训练一个RNN之后，保存最终的state从而使它成为测试的初始状态是否有意义？
我正在使用：
stacked_lstm = rnn.MultiRNNCell([rnn.BasicLSTMCell(n_hidden,state_is_tuple=True) for _ in range(number_of_layers)], state_is_tuple=True)
浏览 2提问于2017-11-21得票数 2
回答已采纳
目标
使用tensorflow，我试图训练一个LSTM模型，用于对数据进行一定次数的迭代，即每个样本有N个时间步骤，然后随着模型的训练，缓慢地增加每个样本的时间步骤数。
因此，RNN模型可能首先考虑了每个训练样本的4个时间步骤。经过一段时间的训练后，成绩就会下降。现在我想用8个时间步骤继续训练这个模型。这基本上是RNN的一种细化形式。
进展
要做到这一点，似乎最简单的方法是在训练之后保存模型一段时间，然后用一个新变量X重建一个新的图，并定义更多的时间步骤。
不幸的是，我无法找到一种方法来不硬编码到我的模型中的时间步骤数。但这没什么，因为如果我重新创建模型并用节省下来的重量填充它，模型形状的形状
浏览 0提问于2017-05-30得票数 2
回答已采纳
我正在尝试使用TensorFlow RNN实现Andrej Karpathy的博客中的RNN字符级语言模型。对于初学者，我从TensorFlow中的LSTM教程中获取了ptb_word_lm.py，并更改了阅读器函数，以便现在不再使用具有10000个不同单词的原始PTB数据集，而是在36个不同字符的流上进行训练。(嵌入的形状相应地减小到36x36，而不是10000x200)。训练/验证集是战争与和平文本(350万个小写字符)。
我期待着一个简单的转折点。取而代之的是，在大约20次运行之后，RNN陷入了在单词的开头和结尾具有过多表示的T的状态，在5次左右的时期运行之后，样本输出开始如下所示: O
浏览 2提问于2017-01-27得票数 1
1回答
我试图在数据集上训练一个C0图像模型。该数据集包括320 000幅培训图像、40 000幅验证图像和40 000幅测试图像。
由于数据集很大，我开始从培训集中对500个样本(每班)进行培训。结果如下：
📷
从上面的图表中我们可以看出，验证损失在20年代前后开始以较慢的速度下降，而训练损失则继续下降。这意味着我们的模型开始过度拟合数据？我假设这可能是因为我在培训集中拥有的数据不足以在验证集上获得更好的结果？(验证数据也是整个验证集中的500个样本(每类))
在小样本上训练模型是一种正确的方法吗？每班500张图像)，保存模型，加载保存的模型权重，然后再用更大的样本(例如1000幅图像)进行训练？我
浏览 0提问于2020-07-18得票数 2
回答已采纳
1回答
我正在尝试让这个git代表中的代码正常工作：训练数据是一个7mb的文本文件。我有一台Nvidia GTX 750ti，内存为1 1gb。当我尝试在这台机器上训练时，训练器因为内存不足而崩溃(根据错误消息，模型大小为2.5 on )。当然，我理解这些不能放入1 1gb的显存中。默认设置为：
num_layers = 3 # Number of layers of RNN
num_hidden = 128 # Hidden size of RNN cell
batch_size = 128 # Number of sentences in a batch
seq_length = 35 # Len
浏览 12提问于2018-02-16得票数 0
回答已采纳
根据这个，我了解到class_weight in keras在训练中应用了加权损失，而sample_weight在做一些样本上的事情，如果我对所有的训练样本都没有同样的信心的话。
所以我的问题是，
验证期间的损失是由class_weight加权的，还是仅在培训期间加权？
我的数据集有两个类，实际上我没有严重不平衡的类分布。这一比率大约是。1.7 : 1.是否有必要使用class_weight来平衡损失，甚至使用过度抽样？是否可以将轻微不平衡的数据保留为通常处理的数据集？
我可以简单地把sample_weight作为我给每个列车样本的权重吗？我的训练样本可以用同样的信心来处理，所以我
浏览 3提问于2019-08-22得票数 5
回答已采纳
1回答
如何使用高斯输出层训练对实数进行回归的神经网络模型？估计预测的平均参数和std参数。因为在训练期间，只有一个真正有价值的目标。会不会从输出高斯分布中抽取一个样本，然后对目标进行损失？或者会有两个目标，一个是平均值，一个是性病。
亚马逊的深度AR预测模型为时间序列预测做了类似的工作，在该模型中，RNN输出的FC层预测高斯分布的均值和std参数。但是，目标标签将只包含一个实数。那么如何计算损失呢？从高斯分布中提取样本，然后使用它？这种抽样是在RL中进行的，目的是鼓励探索，但我不知道在训练回归模型时是如何做到的
浏览 0提问于2021-11-04得票数 1
1回答
我试图了解RNN传感器是如何与地面真相标签训练的。在反恐委员会的情况下，我知道该模型是经过训练的损失函数，它总结了所有可能的地面真理标签的所有分数。
但在RNN-T中，预测网络必须从最后一步接收输入，以产生类似于“教师强制”方法的输出。但我在这里的疑问是，地面真实标签是否应该被转换成所有可能的空标签对齐，并通过教师强制“方法”将每条直线传送到网络上？
浏览 1提问于2019-07-03得票数 3
我正在尝试制作一个Tensorflow图，其中图的一部分已经预先训练并在预测模式下运行，而其余的则训练。我已经像这样定义了我的预训练单元：
rnn_cell = tf.contrib.rnn.BasicLSTMCell(100)
state0 = tf.Variable(pretrained_state0,trainable=False)
state1 = tf.Variable(pretrained_state1,trainable=False)
pretrained_state = [state0, state1]
outputs, states = tf.contrib.rnn.st
浏览 19提问于2017-07-07得票数 6
1回答
我将使用OpenCV的级联训练功能。但在此之前，我需要准备训练数据。我只想知道如果我的阳性样本是透明的，OpenCV是否支持它？例如，如果我想让分类器了解车辆的外观，那么我是否可以提供具有站在透明背景上的车辆的正面样本图像？
浏览 0提问于2014-01-02得票数 2
2回答
我正试着开始学习RNN，我正在使用Keras。我理解普通RNN和LSTM层的基本前提，但是我很难理解特定的训练技术要点。
在角化酶(文件)中，它表示RNN层的输入必须具有形状(batch_size, timesteps, input_dim)。这表明所有的训练示例都有固定的序列长度，即timesteps。
但这并不特别典型，是吗？我可能想让RNN对不同长度的句子进行操作。当我在一些语料库上训练它时，我会给它一批不同长度的句子。
我想最明显的事情就是找出训练集中任何序列的最大长度，然后将其归零。但是，这是否意味着我不能在测试时做出比输入长度更大的预测呢？
这是一个关于Keras的特殊实现的问题，
浏览 0提问于2018-01-06得票数 120
1回答
在使用OpenNMT-py对模型进行训练时，我们得到一个包含网络权重和偏差的数据作为输出。但是，这些张量具有requires_grad = False，因此没有梯度。例如。有了一层，我们可能有以下张量，表示嵌入以及权重和偏差的编码器和解码器。它们都没有梯度属性。
encoder.embeddings.emb_luts.0.weight
decoder.embeddings.emb_luts.0.weight
encoder.rnn.weight_ih_l0
encoder.rnn.weight_hh_l0
encoder.rnn.bias_ih_l0
encoder.rnn.bias_hh_l
浏览 4提问于2019-06-04得票数 0
回答已采纳
我有一个多元数据集，包含A和B。我想看看A和B样本之间是否有差异。我目前对如何做到这一点有两个想法，但我不确定它们是否有效。
对A样本进行模型训练，对B样本分别进行模型训练，并比较回归系数。
用A样本训练一个模型，比较A样本和所有B样本的误差，看看误差有什么不同。
第一个解背后的思想过程是，如果两个数据集是相似的，所计算的回归系数也是相似的。我对第二个解决方案的想法是，如果这两个数据集足够相似，在A上训练的模型应该做得比较好预测B。然后我可以做一些统计检验，证实B的误差与A的遮挡没有显著的差别。
这条思路有意义吗？系数和误差的差异是否意味着数据集中的差异？我觉得这是不可行的，因为我在任何地方都
浏览 0提问于2021-10-21得票数 2
2回答
我有一个RNN和太多的训练数据。对整个数据进行迭代将需要数年时间。现在我有两种训练方案：
1.尽可能多地传递数据
2.查找数据的一个选择部分，并对其上的多个时期进行训练。
哪个更好，为什么？
浏览 0提问于2018-04-22得票数 0
1回答
感谢您对这个问题的研究！
我正在尝试训练一个LSTM网络，它根据过去30天的股票价格预测未来5天的股票价格。我已经基于265个样本训练了模型。变量的定义如下：
# Variables
x = tf.placeholder("float", [265, 30])
y = tf.placeholder("float", [265, 5])
weights = {
'out': tf.Variable(tf.random_normal([n_hidden, y_size]))
}
biases = {
'out
浏览 0提问于2018-09-03得票数 0
这个问题提了几次，但我没有看到很多好的答案。我有数据，其中我有大约1000个样本和3个时间序列的数据为每个样本。虽然时间序列数据非常长(每个序列大约有300000个时间点)。每一个样本都有大量的信息，而且过高。我想把每个样本分类为几个离散的类别。
我可以对这个系列进行细分，并使用use或什么的，但我希望训练一个RNN、CNN或扩展CNN，以获得更好的结果，并在与每个类别相关的数据中学习一些有趣的模式。由于取样过多，我想把每个人分成100个子样本，然后用它们作为新样本，给我100000个样本作为输入。
问题是，任何一个网络都很可能仅仅是学习每个人的特质，而只是梳理原来的1000。也就是说，它只是
浏览 0提问于2023-03-21得票数 0
在Tensorflow中，我想在下一个训练步骤中使用上一个训练步骤中的一些网络变量。更具体地说，我希望在训练过程中计算一个二级成本函数，该函数利用了前一个训练步骤中的一些网络张量。
这个问题可以用RNN代码片段来回答，但我还不知道如何回答。我正在调查和以及。
假设h是具有多个先前层的神经网络的最后一层，例如：
h = tf.nn.relu(tf.matmul(h_previous,W_previous))
如何在训练过程中处理样本后保留张量h(例如，将其保存到h_old)，以便在下一个训练步骤中使用它进行如下计算：
d = tf.sub(h,h_old)
在这个例子中，h用当前训练样本更新，h
浏览 0提问于2016-10-12得票数 2
1回答
预处理时序
、、
我有一个很长的事件列表(400个独特的事件，序列~10米长)。我想训练一个RNN来预测下一个事件。
我采取的预处理步骤是：(1)使用熊猫转到OneHotEncoding上：
vector = pd.get_dummies(sr)
这个部分大约需要15秒。
(2)使用10的滑动窗口，创建如下样本和标签:迭代(1)中的向量，以Xt作为标号，Xt:t-10作为数据。
代码：
X = np.zeros((len(samples), window_size, voc_len), dtype=np.bool)
y = np.zeros((len(samples), voc_len), dtype=np.b
浏览 0提问于2020-02-27得票数 3
训练RNN和简单的神经网络有什么区别？RNN可以用前馈和后向方法训练吗？
先谢了！
浏览 0提问于2016-02-24得票数 2
回答已采纳
2回答
角点文字分类中同一码的不同精度
、、、、
我正在训练一个基于LSTM的递归神经网络来进行文本分类，我有一个奇怪的行为。在相同的代码和相同的训练集下，我获得了非常不同的精确度。
我知道有不同的值是正常的，但有时我得到40%的准确度，而其他的90%。这怎么可能呢？
此外，有时我被“卡住”在精度水平上，我的意思是，损失和精度在不同的时代并没有变化，所以这两个值保持不变。对此的解释是什么？
我不确定我是否真正理解的另一个方面是我的输入文本填充的事实(我正在使用批处理的培训)。我想，既然我用的是RNN，最好用左边的垫子。你知道如何输入吗？最好是左垫还是右垫？
最后一个问题是如何选择层数和节点数。我知道，对某些人来说，最好的方法是通过实验，但一些
浏览 0提问于2019-02-06得票数 1
回答已采纳
如我所知，DropoutWrapper的用法如下
__init__(
cell,
input_keep_prob=1.0,
output_keep_prob=1.0,
state_keep_prob=1.0,
variational_recurrent=False,
input_size=None,
dtype=None,
seed=None
)
。
cell = tf.nn.rnn_cell.LSTMCell(state_size, state_is_tuple=True)
cell = tf.nn.rnn_cell.DropoutWrapper(cell, output_keep_prob
浏览 3提问于2017-08-04得票数 10
3回答
哪个神经网络更好？
、、、
MNIST数据集有6万个训练样本和10000个测试样本。
神经网络#1.训练集的准确度: 99.53%。在测试装置上的准确度: 99.31%。
神经网络#2.训练集的准确度: 100.0%。在测试装置上的准确度: 99.19%。
如果其他参数未知，哪一种神经网络更好？
我见过有多少研究把重点放在测试集的准确性上，很少在训练集上写关于准确性的文章。
第一种神经网络在测试集上精度较高，而在训练集上精度较差。
你会说未学会的训练样本对测试一个不同的测试集可能是不好的吗？
我有一个想法来比较整体的准确性：
(99.53% * 60000 + 99.31% * 10000) / (60000
浏览 0提问于2021-07-23得票数 0
回答已采纳
我正在运行一个RNN的信号，在固定的大小段。下面的代码允许我保留上一批的最后状态来初始化下一批的初始状态。
rnn_outputs, final_state = tf.contrib.rnn.static_rnn(cell, rnn_inputs, initial_state=init_state)
当批处理不重叠时，这是可行的。例如，我的第一批处理过程样本为0:124，而final_state是此处理之后的状态。然后，下一批处理示例124:256，将init_state设置为final_state。
我的问题是，当批处理重叠时，如何检索中间状态。首先，我处理样本0:124，然后是10:134
浏览 1提问于2018-04-17得票数 0
回答已采纳
我在大约5000个样本上训练一个SVM模型(RBF核)，我正确地调整了我的模型，并使用它进行预测。
现在，我有1000多个样本，也可以用于训练。我的问题是，我是否必须在总共6000个样本上重新建立模型，或者是否有任何方法可以将训练数据添加到现有的SVM模型中。
注意--实际上我使用的数据集是相当大的，再次建模不是一个好的想法。
浏览 2提问于2017-07-04得票数 0
1回答
我想用加速度计来检测火车的方向。您可以通过手动设置阈值来检测x轴上的加速度方向(该方向将与列车驱动轴对齐)。
我仍然想用机器学习来解决这个问题，因为设置阈值需要相当长的时间。传感器数据必须在上下文中，否则就毫无用处。只有当你知道之前的n个传感器读数时，才能估计出驱动方向。
所以现在我可能可以使用RNN来创建这个上下文。我的想法是不使用RNN (因为它增加了复杂性)，只是在一个样本中放置了几个度量。它看起来像这样: accelX，accelY，accelZ，accelX1，accelY2，AccelZ2....AccelXn，AccelYn，AccelZn，label
我还测量了Y轴和Z轴，因为
浏览 0提问于2017-09-21得票数 0
如所述
批中索引i处的每个样本的最后一个状态将用作下一批中索引i的样本的初始状态。
这是否意味着要将数据拆分成批，我需要以以下方式进行，例如，假设我正在训练一个有状态的RNN，以预测给定上一个整数的范围(0，5)中的下一个整数
# batch_size = 3
# 0, 1, 2 etc in x are samples (timesteps and features omitted for brevity of the example)
x = [0, 1, 2, 3, 4]
y = [1, 2, 3, 4, 5]
batches_x = [[0, 1, 2], [1, 2, 3]
浏览 2提问于2017-09-20得票数 5
回答已采纳
我的目标是使用RNN来预测时间序列值。
我有两个问题。
，第一个，在我的分析中，我需要4个不同的函数来计算，比如A(t)，B(t)，C(t)和D(t)。我想要的是对我的每个函数使用30个样本来训练神经网络，所以我需要在我的节点中输入4个值a(1)，b(1)，c(1)，d(1)等等。
如何使用一维数组作为输入？
我的第二个问题，是如何选择正确的拓扑。
我想用30个样本来预测接下来的10个，所以在我的神经网络中，我有30个神经元作为输入层，10个神经元作为输出层，但我需要多少个隐藏层呢？
每层有多少个神经元？
浏览 6提问于2014-12-28得票数 2
回答已采纳
1回答
MLP的精度和损失
、、、、
我试图探索模型来预测一支球队会赢还是输，根据球队和他们对手的特点。我的训练数据是15k样本，有760个数字特征。每个样本代表两支球队之间的一场比赛，其特点是在比赛进行时对每支球队的长期和短期统计(即在过去10场比赛中的平均分数)。
我的想法是使用二进制分类器作为多层感知器。每个层都有批处理规范、退出和ReLU激活。在输出层有乙状结肠激活。我还使用主成分分析来降低数据集的维数。
我正在使用一个自动的超参数调谐器与随机搜索和基于群体的培训，以找到最佳的精度的超参数。我能够调整超参数，例如训练损失和验证损失都收敛到一个非常小的值，但当我看到准确性时，我得到了非常小的改进。
当观察一个时期的训练后的初
浏览 0提问于2019-03-11得票数 1
我需要对已经经过培训的现有deeplearning4j (DL4J)模型进行更改。网络由一个输入层、一个Graves LSTM和一个RNN输出层组成。
我的问题是:是否有可能在LSTM层中添加一个或多个未经训练的神经元，而不必重新构建新的配置模型(我认为这需要再培训)？我想做这样的事情，比如，将一个或多个神经元添加到一个现有的层中，或者将一个完整的层(未经训练)添加到一个经过训练的模型中。
这些有可能吗？我找不到对此的任何引用，但我看到人们在其他语言/框架中这样做，所以我想知道我是否也可以在DL4J中这样做。
顺便说一句，我知道这是一件不寻常的事。请忽略这一事实，它将搞垮了训练有素的网络，我只
浏览 2提问于2018-05-27得票数 3
回答已采纳
1回答
模型如何在不改变其参数/权重的情况下学习？如果我们在一些数据上训练RNN，然后将其应用于测试数据，我们会做哪些更改？因为权重/参数不会改变值，对吗？
浏览 14提问于2020-05-19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
实时音视频
云直播活动推荐
腾讯云开发者
