重塑LSTM输出以获得所需的输出形状
是指通过改变LSTM模型输出的形状来适应特定的需求。LSTM（长短期记忆网络）是一种递归神经网络，广泛应用于自然语言处理、语音识别和时间序列预测等任务中。
在某些情况下，LSTM模型的输出形状可能不符合实际需求，这时候就需要对输出进行重塑。重塑操作可以通过改变输出的维度、形状和大小来实现。
重塑LSTM输出的方法有多种，可以使用相关的函数或操作实现。具体方法取决于所使用的深度学习框架和编程语言。
下面是一种常见的重塑LSTM输出的方法，以将输出形状从（batch_size, seq_length, hidden_size）变为（batch_size * seq_length, hidden_size）为例：
- 首先，获取LSTM模型的输出。假设输出为output，形状为（batch_size, seq_length, hidden_size）。
- 使用reshape函数或相关的操作将output重塑为所需的形状。在这个例子中，可以使用reshape函数将output重塑为形状（batch_size * seq_length, hidden_size）。
- 使用reshape函数或相关的操作将output重塑为所需的形状。在这个例子中，可以使用reshape函数将output重塑为形状（batch_size * seq_length, hidden_size）。
- 这里使用了TensorFlow作为示例，tf.reshape函数用于重塑张量的形状。其中，-1表示自动计算该维度的大小，hidden_size表示隐藏状态的大小。
- 对于其他深度学习框架和编程语言，也有类似的函数或操作可以实现重塑。
- 完成重塑后，可以进一步处理reshaped_output，进行后续的操作，如输入到下一层网络进行进一步的处理或应用。
重塑LSTM输出的目的是为了适应不同的任务需求，比如将LSTM模型用于序列生成、语言模型或文本分类等任务中。重塑后的输出形状可以更方便地进行后续的处理和应用。
腾讯云相关产品中，可以使用腾讯云的深度学习平台AI Lab（https://cloud.tencent.com/product/tf）来构建和训练LSTM模型。AI Lab提供了丰富的深度学习工具和资源，方便用户进行模型开发和部署。
相关·内容
我有一个数组y_test，如下所示： print(y_test)
[[ 21.156 23.155]
[ 20.64 22.976]
[ 20.011 22.976]
...
[-16.527 18.002]
[-16.368 17.548]
[-16.164 15.959]] 我想选择第20行，从9开始，即位置9、29、49等。 我通过执行以下操作来获得正确的值： y_small = np.copy(y_test[9::20])
print(y_small)
[[-19.921 12.981]
[ -3.975 19.921]
[ 8.916 1
浏览 14提问于2021-09-11得票数 1
回答已采纳
1回答
我一直在尝试在我的数据上重用的想法。但是，我遇到了这个错误：
"ValueError:检查输入时出错:要求lstm_16_input具有3维，但得到形状为(8，4)的数组“
我想要运行的是：
def main():
#X, Y = load_data()
X, Y = load_file()
print("------")
print(X)
print(X.shape)
print(type(X))
print("------")
print(Y)
print(Y.shape
浏览 0提问于2019-10-22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
我有1000个样本，每个样本有9个特征和1个输出。如何将数据转换为在LSTM中使用的形状？
输出看起来像锯齿。
现在我的日期是1000*1*9 (samples，time_steps，features)。性能不是很好。如何包含更多的时间步长？我是否需要回顾一下，将其重塑为998*3*9 (假设look_back =3)？另外，什么是我应该回顾多少的好指南？
浏览 0提问于2017-04-20得票数 1
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
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
LSTM模型中输入形状的警告
、、、、
我有每小时耗电量的时间序列数据，长度为(17544, 1)，格式如下：
[[17.6]
[38.2]
[39.4]
...
[46. ]
[44. ]
[40.2]]
我的目标是输入最后7天的数据，即24*7=168，并预测未来24小时的用电量。
我正在使用以下脚本来准备用于培训和测试的数据集：
# Split into training/test sets
train_size = int(len(data) * 0.7)
val_size = int(len(data) * 0.2)
train, val, test = data[:train_size], data[trai
浏览 3提问于2022-11-08得票数 0
1回答
拟散函数目标形状失配
、、、、
我正在训练一个LSTM模型，使用的是批处理大小为256个和NLLLoss()作为丢失函数的pytorch。损失函数与数据形状有问题。
前向传递的软件最大输出具有torch.Size([256, 4, 1181])形状，其中256个是批大小，4个是序列长度，1181是语音大小。
目标为torch.Size([256, 4])形状，其中256个是批大小，4个是输出序列长度。
当我先前测试批处理大小为1时，该模型工作正常，但当我添加批处理大小时，它正在崩溃。我看到NLLLoss()可以将类目标作为输入，而不是一个热编码的目标。
我误解了吗？还是我没有正确地格式化目标的形状？
class LSTM(n
浏览 1提问于2020-02-07得票数 3
回答已采纳
我正在尝试使用Tensorflow Functional API来定义一个多输入神经网络。 这是我的代码： from keras_self_attention import SeqSelfAttention
from tensorflow import keras
Input1 = Input(shape=(120, ),name="Input1")
Input2 = Input(shape=(10, ),name="Input2")
embedding_layer = Embedding(30,5, input_length=120,)(Input1)
浏览 212提问于2020-10-26得票数 0
1回答
在我最近阅读的论文CountNet: Estimating the Number of Concurrent Speakers Using Supervised Learning中，它规定从CNN层输出的3D体积在进入LSTM层之前必须减少到2维序列，这是为什么？使用三维格式有什么问题吗？
浏览 32提问于2020-10-19得票数 0
回答已采纳
2回答
我正在尝试keras数据的示例，数据形状如下所示：
x_train形状：(25000，80)
我只需将keras示例的原始代码更改为如下代码：
model = Sequential()
layer1 = Embedding(max_features, 128)
layer2 = LSTM(128, dropout = 0.2, recurrent_dropout = 0.2, return_sequences = True)
layer3 = Dense(1, activation = 'sigmoid')
model.add(layer1)
model.add(lay
浏览 2提问于2017-11-10得票数 3
我创建了一个LSTM。我正在传递一个输入，但是我得到了错误：
ValueError: Input 0 of layer lstm is incompatible with the layer: expected ndim=3, found ndim=1. Full shape received: (7,)
为了解决这个问题，我提到了一个堆栈溢出帖子，它提到了使用参数: input_shape。由于缺乏理解，我仍然无法解决我的问题。帮帮忙吧。这是我的密码
# This is the definition of the model
class LSTMmodel(tf.Module):
d
浏览 2提问于2021-04-23得票数 2
回答已采纳
在keras上实现LSTM时，将shape.x(None，78)的输入one-hot编码转换为shape.x(None，1，78)，但不确定为什么需要在keras中进行此转换。
我正在查看以下DL课程的代码示例：
reshapor = Reshape((1, 78))
LSTM_cell = LSTM(n_a, return_state = True)
densor = Dense(n_values, activation='softmax')
"""
Tx: 30
n_a = 64
n
浏览 0提问于2020-04-08得票数 0
1回答
在Keras中实施注意
、、、、
我试图通过一个简单的lstm来实现对keras的关注：
model_2_input = Input(shape=(500,))
#model_2 = Conv1D(100, 10, activation='relu')(model_2_input)
model_2 = Dense(64, activation='sigmoid')(model_2_input)
model_2 = Dense(64, activation='sigmoid')(model_2)
model_1_input = Input(shape=(None, 2048))
浏览 0提问于2019-03-14得票数 1
1回答
keras模型输入和输出维数失配
、、、、
model = Sequential()
model.add(Embedding(630, 210))
model.add(LSTM(1024, dropout = 0.2, return_sequences = True))
model.add(LSTM(1024, dropout = 0.2, return_sequences = True))
model.add(Dense(210, activation = 'softmax'))
model.compile(loss = 'categorical_crossentro
浏览 2提问于2017-07-06得票数 1
回答已采纳
我正在使用keras中的深度学习进行视频分类。我已经使用形状为(7,512).I的VGG16模型提取了大约55000张图像的特征。我把这个传给了LSTM层，但是得到了尺寸错误。这是代码，
print len(train_data)
print train_data.shape[1:]
print train_data.shape
model = Sequential()
model.add(LSTM(128,input_shape=train_data.shape[1:]))
model.add(Dense(512, activation='relu'))
model.add(
浏览 0提问于2017-04-28得票数 0
我试着学习在线教程(、等)，但是当使用keras TimeseriesGenerator来拟合LSTM模型时，我无法正确地获得输入维度。
为了训练，我有一个长长的numpy数组，名为dn of shape (12499896,)。然后我定义了keras TimeseriesGenerator
from keras.preprocessing.sequence import TimeseriesGenerator
look_back = 10
gen = TimeseriesGenerator(dn, dn, length=look_back, batch_size=8)
我定义了模型：
fr
浏览 1提问于2019-08-24得票数 1
我想要构建一个深度RNN，其中我的x_train形状是(318,39)，而我的y_train具有形状(318,)。当我执行以下代码时：
model.add(LSTM(20,input_shape=(X_train.shape[1:]), activation='relu', return_sequences=True))
model.add(LSTM(20, activation='relu'))
model.add(Dense(10, activation='relu'))
model.add(Dense(1, activation='
浏览 0提问于2020-03-31得票数 1
我正在加载 (23094，71,768)，(23094，19,282)的预训练模型.
当我传递形状为(29116，72,768)的新X值时，当检查输入时会出现错误:期望的lstm_1_input具有形状(71,768)，但得到与形状(72,768)的数组。
这是我的模型总结:模型："sequential_1“
图层(类型)输出形状参数
lstm_1 (无，71,256个) 1049600
lstm_2 (无，71，64) 82176
lstm_3 (无，32) 12416
dense_1 (稠密)(无，5358) 176814
reshape_1 (重塑)(无，19,282)
浏览 2提问于2020-04-06得票数 0
2回答
用于HSI数据分类的LSTM
、、、、
我正在尝试使用LSTM对Pavia University HSI data进行分类。X_train数据的形状为(610x340，103)，y_train数据的形状为(610x340)。一共有9个班级。因此，我有207400个样本，其中有103个特征(每个时间步1个特征)。我应该如何重塑我的数据，其中每个样本都是具有一个特征的103个时间步长的时间序列，以便使用LSTM进行分类？
浏览 35提问于2021-08-02得票数 0
我想转换这个拉扎尼密码：
et = {}
net['input'] = lasagne.layers.InputLayer((100, 1, 24, 113))
net['conv1/5x1'] = lasagne.layers.Conv2DLayer(net['input'], 64, (5, 1))
net['shuff'] = lasagne.layers.DimshuffleLayer(net['conv1/5x1'], (0, 2, 1, 3))
net['lstm1'] = lasagn
浏览 0提问于2018-11-05得票数 0
我正在使用LSTM模型并得到这个错误。
ValueError:层顺序的输入0与层不兼容:预期的ndim=3，found ndim=2。接收到的完整形状：(57，1)
这是我的代码：
model = tf.keras.Sequential()
model.add(tf.keras.layers.LSTM(64, input_shape = (700, 57), return_sequences=True))
model.add(tf.keras.layers.LSTM(64))
model.add(tf.keras.layers.Dense(64, activation='relu&
浏览 8提问于2022-07-07得票数 0
回答已采纳
当使用经过预先训练的ElMo模型时，我得到的输出字典不同于在已发布的中解释的输出字典--输出字典的签名是
> model = BidirectionalLanguageModel(options_file, weight_file)
> ids_placeholder = tf.placeholder('int32', shape=(None, None, max_word_length))
> ops = model(ids_placeholder)
> print (ops)
{'token_embeddings': <tf.T
浏览 1提问于2019-04-24得票数 1
我在Keras中有一个错误，我找不到解决方案。我已经搜索了整个互联网，我仍然没有回答^^这是我的代码。
model = Sequential()
model.add(LSTM(32, return_sequences=True, input_shape=X.values.shape))
model.add(LSTM(32, return_sequences=True))
model.add(LSTM(32))
model.add(Dense(10, activation="softmax"))
model.compile(loss="categorical_crosse
浏览 0提问于2018-02-23得票数 1
回答已采纳
1回答
我得到并得到了输出(4,32,32)，我把它传递给线性层( LSTM，num_classes=1的隐藏大小)，它给我一个输出形状(4,32,1)。我正试图为我的人工智能助理解决一个唤醒词模型。我有两个类别要预测。0不是唤醒，1是唤醒AI。我的批号是32。但输出为(4,32,1)。它不是应该是32,1或类似的东西，所以我会知道有一个预测1音频mfcc？
浏览 11提问于2022-03-22得票数 1
代码如下： from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Embedding, LSTM, RepeatVector, Dense, Reshape
Model = Sequential([
Embedding(vocab_size, 256, input_length=49),
LSTM(256, return_sequences=True),
LSTM(128, return_sequences=False)
浏览 140提问于2020-10-06得票数 1
回答已采纳
我试图用LSTM实现一个序列标记模型。举个例子，我有200个句子，每个标记都有一个1024维的嵌入。我还将所有句子填充到80维向量。因此，我有一个形状为(200,80,1024)的输入矩阵。 我还填充了目标。我对句子的每个标记都有一个标记。所以y的形状是(200,80)。 我以这种方式尝试使用LSTM from keras.models import Model, Input
from keras.layers.merge import add
from keras.layers import LSTM, Embedding, Dense, TimeDistributed, Dropout,
浏览 40提问于2020-03-30得票数 0
回答已采纳
实际上，我正在尝试使用LSTM或GRU构建一个回归神经网络。我的输入数据是来自Imu传感器的时间序列，我的目标数据是(x，y，z)，准确地说，我试图从时间序列(愉悦、觉醒和支配地位)预测PAD值。因此，对于每个时间序列文件夹，我有相应的PAD值X=-1.1546，-2.55…，N= -0.5,0.6，0.3，我知道LSTM需要即时的3d输入(1，x，y)，对于输入它是可以的，但是问题在于Target，你认为我需要像输入一样重新塑造3d目标吗？或者你有办法解决我的问题吗？X=时间序列和Y= (x，y，z)
提前感谢您的回答或任何建议！
浏览 0提问于2018-05-25得票数 1
回答已采纳
1回答
我是Keras的新手，在Keras documentation中浏览了LSTM及其实现细节。这很容易，但突然间，我通过的帖子和评论。它使我对实际的LSTM体系结构感到困惑：
以下是代码：
model = Sequential()
model.add(LSTM(32, input_shape=(10, 64)))
model.add(Dense(2))
根据我的理解，10表示no。的时间步骤，每个步骤都被馈送到各自的LSTM cell；64表示no。每个时间步骤的特征。
但是，上面的评论和实际的答案使我对32的含义感到困惑。
另外，LSTM的输出是如何连接到Dense层的。
一个手绘的图表解释将
浏览 2提问于2018-12-29得票数 2
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
我正在尝试实现一个序列到序列语言模型。在训练过程中，该模型采用GloVe生成的50维词向量序列，输出表示下一个词的1- to -V(V为词汇量大小)向量，作为测试过程中输入词向量在当前时间步对应的下一个词的分布，并尝试了112个词的词汇量。
然后，我构建了两个模型，如下：
model1 = Sequential()
model1.add(LSTM(112, return_sequences=True, input_shape=(31, 50)))
model2 = Sequential()
model2.add(LSTM(112, return_sequences=True, input_s
浏览 29提问于2016-09-08得票数 2
1回答
对于LSTM顺序网络的输入维数和形状，我有一个问题。我正在寻找正确的方法来重塑和调整这个input_merged (?，1,2400，60)到LSTM输入--输入已经成功地连接起来，但是新的维度不能从LSTM网络输入中被接受。
程序
inp1 = Input(features_set3.shape)
inp2 = Input(features_set4.shape)
print(" shapeINP1 ")
print(inp1.shape)
print(" shapeINP2 ")
print(inp2.shape)
input_merged = Con
浏览 0提问于2019-08-05得票数 0
在我的数据集中，单个输入和输出的形状是15 x 61。我指定input_shape=(15,61)。这意味着15x61到15x61之间的映射，这不是一个分类问题。输出层中的单位规格应该是什么？ model = tf.keras.models.Sequential([tf.keras.layers.Dense(units=128,input_shape =(15,61),
tf.keras.layers.Dense(units=128, activation=tf.nn.relu),
tf.keras.layers.Dense(units=, activation=tf.nn.softmax)
浏览 6提问于2019-09-14得票数 0
当我使用google colab时，代码中没有错误 但当我使用spyder或jupyter时，出现错误。 Model_10 = Sequential()
Model_10.add(LSTM(128, batch_input_shape = (1,10,5), stateful = True))
Model_10.add(Dense(5, activation = 'linear'))
Model_10.compile(loss = 'mse', optimizer = 'rmsprop')
Model_10.fit(x_train, y_t
浏览 16提问于2020-03-30得票数 0
2回答
我有一个使用Keras与Conv2D一起工作的模型，但是我希望添加一个LSTM层。这是我正在使用的数据：
形状x_train (13984，334，35，1)
形状y_train (13984，5)
我没有LSTM的模型是：
inputs = Input(name='input',shape=(334,35,1))
layer = Conv2D(64, kernel_size=3,activation='relu',data_format='channels_last')(inputs)
layer = Flatten()(lay
浏览 3提问于2018-11-27得票数 0
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
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
我正在用Python、Keras和Tensorflow构建一个基于LSTM的深层Q学习网络，并遇到了以下问题。在使用给定的batch_input_shape创建网络并尝试将网络与该形状的数据相匹配之后，我将收到以下错误：
警告:tensorflow:模型是为输入张量(“lstm_34_input:0”，shape=(64，1，10)，dtype=float32)用形状(64，1，10)构造的，但是对不兼容的形状(32，1，10)调用它。
我创建了下面的玩具示例，以简单地演示导致问题的代码。
import numpy as np
from tensorflow.keras.models imp
浏览 1提问于2020-08-19得票数 0
回答已采纳
1回答
尝试用(5，xxx)数据流f.e训练LSTM模型。
(5, 17516)
array([[ 3820., 2873., 2369., ..., 18865., 16893., 14242.],
[ 4656., 3820., 2873., ..., 19967., 18865., 16893.],
[ 6210., 4656., 3820., ..., 20223., 19967., 18865.],
[ 8127., 6210., 4656., ..., 20319., 20223., 19967.],
[10844., 8127., 6210.,
浏览 2提问于2018-10-27得票数 0
我正在尝试用tensorflow.js构建和训练LSTM网络，
我的数据集如下
dataSet = [
{
phrase: "i am returning this product because it is too yellow for me",
output: "color"
},
{
phrase: "i am shipping back product because it is broken when i received it",
output: "broken"
},
{
p
浏览 0提问于2018-10-02得票数 0
1回答
列车输入形状：(13974,100，6，5)
列车输出形状：(13974，1,1)
测试输入形状：(3494,100，6，5)
测试输出形状：(3494，1，1)
我正在开发以下模型。2D CNN LSTM。
model = Sequential()
model.add(TimeDistributed(Conv2D(1, (1,1), activation='relu',
input_shape=(6,5,1))))
model.add(TimeDistributed(MaxPooling2D(pool_size=(6, 5))))
model.add(TimeDistrib
浏览 1提问于2019-10-02得票数 1
我查看了LSTM层的Keras文档，关于RNN参数的信息如下：
keras.layers.LSTM(units, return_state=True)
参数：
return_state:布尔值。除了输出之外，是否还返回最后一个状态。
输出形状
if return_state:张量列表。第一个张量是输出。剩下的张量是最后的状态，每个状态都有形状(batch_size，单位)
这就是所有关于return_state for RNN的信息。作为初学者，很难理解剩余的张量是最后的状态，每个状态都有形状(batch_size，单位)，不是吗？
我确实理解存在单元格状态c和隐藏状态a，它们将被传递到下一个
浏览 37提问于2018-03-06得票数 9
我有一个具有多变量的数据集，我正在尝试重塑LSTM神经网络，但我正在努力重塑图层，但没有成功。 我的数据集的形状为(1921535，6)，每341个时间步对应一个样本。我想在(23,341，6)中重塑它，并在Model中输入它。在我的代码下面。 def df_to_dataset(dataframe, batch_size):
dataframe = dataframe.copy()
labels = dataframe.pop('target')
ds = tf.data.Dataset.from_tensor_slices((dict(dataframe
浏览 25提问于2020-12-03得票数 0
回答已采纳
1回答
我对LSTM的输入有点困惑。基本上，我的列车输入数据是形状的(53394，3)。根据LSTM的输入，将二维数据重构为三维数据。我有两种配置：
trainX = (53394，3，1) model.add(32，input_shape =(trainX.shape1，trainX.shape2))
trainX = (53394,1，3) model.add(32，input_shape =(trainX.shape1，trainX.shape2))
我想了解在这两种情况下，输入是如何输入到LSTM的。就像一个神经元接受一个列值，或者三列的一个完整行作为输入层中一个神经元的输入。
浏览 0提问于2018-06-19得票数 5
回答已采纳
1回答
在我的二进制多标签序列分类问题中，我在每个输入句子中有22个时间步骤。现在我已经在每个时间步中添加了200维的单词嵌入，所以我当前的输入形状是(*number of input sentence*,22,200)。我的输出形状将是(*number of input sentence*,4)，eg.[1,0,0,1]。
我的第一个问题是，如何构建Keras LSTM模型来接受3D输入和输出2D结果。下面的代码输出错误：
ValueError: Error when checking target: expected dense_41 to have 3 dimensions, but got a
浏览 2提问于2018-12-07得票数 1
1回答
我刚刚开始用Tensorflow / Keras在Python中实现LSTM，以测试我的想法，但是我很难正确地创建一个模型。
对于每一天，我想预测哪一组事件将发生。其思想是，有些事件是反复发生的/总是在一段时间过去之后发生的，而另一些事件则很少发生或没有任何结构。LSTM应该能够捕捉到这些反复发生的事件，以便预测未来几天的发生情况。
为了显示事件，我使用一个值为0和1(无发生和发生)的列表。例如，如果我有活动“去学校”，“去健身房”，“买一台电脑”，我有一个清单，比如1，0，1，1，0，1，0，1，1，1，0等等。这个想法是，LSTM会意识到我每天都去上学，每隔一天去健身房，买一台电脑是非常罕
浏览 2提问于2022-05-03得票数 1
1回答
model = tf.keras.Sequential([tf.keras.layers.Embedding(tokenizer.vocab_size, 64),tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(64,return_sequences=True))
tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(32)),
tf.keras.layers.Dense(64, activation='relu'),
tf.keras.
浏览 6提问于2020-08-16得票数 0
2回答
LSTM预测直线
、、、
我在Keras建了一个LSTM。它读取9个时差的观测结果，并预测下一个标签。出于某种原因，我训练的模型预测的东西几乎是一条直线。在创建如此糟糕的回归结果的模型体系结构中可能会出现什么问题？
输入数据:每小时财务时间序列，有明确的上升趋势1200+记录。
输入数据维度：
最初：
X_train.shape (1212, 9)
为低收入和低收入市场重塑：
Z_train.shape (1212, 1, 9)
array([[[0.45073171, 0.46783444, 0.46226164, ..., 0.47164819,
0.47649667,
浏览 2提问于2019-10-15得票数 3
回答已采纳
1回答
我是Keras的新手，我正在尝试实现一个序列来对LSTM序列进行排序。特别是，我有一个具有9个特性的数据集，我想预测5个连续值。
我将训练和测试集分开，它们的形状分别是：
X TRAIN (59010, 9)
X TEST (25291, 9)
Y TRAIN (59010, 5)
Y TEST (25291, 5)
LSTM目前非常简单：
model = Sequential()
model.add(LSTM(100, input_shape=(9,), return_sequences=True))
model.compile(loss="mean_absolute_erro
浏览 0提问于2019-01-29得票数 21
回答已采纳
我正在处理一个文本分类问题，并尝试使用Kerastuner来确定我的LSTM网络的最佳配置。下面是相同的代码： keras调谐器 def build_model(hp):
num_hidden_layers =1
num_units = 8
dropout_rate = 0.1
learning_rate=0.01
if hp:
num_hidden_layers = hp.Int('num_hidden_layers', min_value=2, max_value=100, step=5)
num_units = h
浏览 57提问于2021-07-01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
实时音视频
即时通信 IM
对象存储活动推荐
腾讯云开发者
