1回答
我希望使用CNN作为我的LSTM层的降维工具。of days = 5065features = 2767如你所见，我的特征数量是数据点的一半以上理想情况下，我希望向我的LSTM层提供压缩的特征信息，大约有32个特征，希望形状如下：然而，当
浏览 8提问于2018-08-15得票数 1
回答已采纳
model.add(Embedding(input_dim = num_top_words, output_dim = 64, input_length = input_length))model.add(Conv1D(64, kernel_size = 5, activation = 'relu'))
model.add(MaxPooling1DInput 0 is incompatible with layer conv1d_48
浏览 2提问于2018-10-18得票数 0
回答已采纳
我使用的是一个固定的LSTM网络。n_timesteps = 81，n_features = 3。普通的LSTM同时指定了n_timesteps和n_features，但是当与conv1d结合时，没有指定它们。
如何知道LSTM的输入中有多少时间步骤和特性? LSTM如何知道每个样本的序列结束？是时间步骤“存储”并输入到LSTM中，还是一次处理一次，并一次输入LSTM一个时间步骤?
浏览 1提问于2019-09-23得票数 2
回答已采纳
1回答
我正在开发一个使用MLP的自动编码器来检测多变量时间序列中的异常。为了简化这个问题，我只使用了一个系列变量。我应用它的方式是将时间序列分解成几个部分，并将这些片段呈现给网络。例如，我的系列由1000个点组成，我将其分成50个长度为20的子系列，每个子系列都成为学习网络的示例。
DAE input_shape应该是什么？我发现如果shape=(20, )和shape=(20,1)是不同的。我把我一直在做的DAE代码放在下面。DAE最后一层<
浏览 4提问于2021-01-06得票数 0
我有以下的想法来实施：输入有100个时间步骤，每个步骤都有一个64维特征向量Conv1D层将在每个时间步骤中提取特性。CNN层包含64个过滤器，每个过滤器有16个水龙头。然后，最大池层将提取每个卷积输出的单个最大值，从而在每个时间步骤中总共提取64个特征。然后，将层的输出输入有64个神经元的层。重复次数与输入的</
浏览 1提问于2018-04-17得票数 2
这是我尝试的两种方法中的第一种：inputs=Input(shape=(frames, 103*4, 1))
z=Conv2D(32, (5,25但如果这是正确的方式，我仍然感到困惑。我可以通过model.summary()看到我<e
浏览 36提问于2020-05-29得票数 0
我已经尝试了密集的层次，我已经达到了85%的准确性，没有太多的问题。但是，当涉及到使用凸层和lstms层时，我遇到了维数问题。另一个缺失的概念是，我不知道这些层次的排序。我相信，由于我已经在使用伯特嵌入，我不需要一个输入层的嵌入式类型，但我不确定，每个人。
免责声明:经过一些实验，我认为一个人不需要一个LSTM层，也不需要CNN。分类应该是密集的，因为嵌入应该带来所有的上下文信息。那时我还不够聪明(还不够聪明)，也许我只是在尝试不同<
浏览 3提问于2020-06-09得票数 4
回答已采纳
1回答
对大文本使用LSTM
、、、、
我有一个从kaggle( https://www.kaggle.com/c/fake-news/data )得到的用于检测假新闻的数据集。我想使用LSTM进行分类 一篇文章的平均词长约为750个单词。我试着去掉标点符号，停用词，去掉数字。预处理文本也需要很长时间。 我想要一种使用keras将大文本输入到LSTM的方法。我应该怎么做才能减少计算时间，又不会损失太多的准确性。
浏览 8提问于2019-07-02得票数 0
回答已采纳
2回答
当有图像作为数据时，最常用的是CNN。然而，我已经看到CNN是用来制作时装秀的。因此，我分别尝试了LSTM和CNN模型来解决我的时刻表分类问题。我的两个模型如下。LSTM：model.add(LSTM(200, input_shape=(25,3)))model.add(Dense='binary_crossentropy', optimize
浏览 2提问于2019-12-04得票数 0
回答已采纳
2回答
从大卷积层中提取有用的特征
、、、、
我一直在训练一个关于情绪检测的卷积神经网络。现在，我想为我的数据提取特性来训练LSTM层。在我的例子中，网络中的顶层卷积层有以下几个维度：[None, 4, 4, 512]和[None, 4, 4, 1024]。因此，这将给出总共8192维和16384维向量。这太大了，无法训练LSTM层。因此，我想知道降低这个向量维数的最好方法是什么？换句话说，在获得激活或任何其他降维</
浏览 0提问于2018-11-01得票数 0
回答已采纳
我有一个CNN-LSTM模型，我想把它转换成一个简单的CNN模型来进行结果比较。这是最初的CNN-LSTM模式： model = Sequential() # define model CNN
model =
浏览 18提问于2022-07-17得票数 1
回答已采纳
我一直在尝试创建一个用于异常检测的递归自动编码器，但在尝试训练模型时遇到了一个奇怪的错误。其他一切似乎都运行得很好-只有在训练模型时才会出现错误。我尝试过的东西： 我非常确定这不是我提供给模型的数据的问题-我已经检查了一次又一次，检查了它的形状是否正确，正则化是否正确，等等。 我尝试从一组不同的文件中获取数据，但得到了相同的错误。仅用LSTM(2, return_sequences=True, input_shape=(512,2))
浏览 35提问于2020-07-03得票数 0
我试图建立一个基于Keras的网络，使用一组一维CNN和LSTM层。web上的大多数可用示例都使用数据的形状，如(1, 30, 50) (包含30个时间步骤的一个示例，每个示例包含50个功能)。然而，我的数据集中的每个时间步骤都是由许多一维数组组成的。一个10个时间步骤的示例将是(1, 10, 100, 384) (一个批处理-一个单个样本，每一个时间步骤包含100个具有384特性的</em
浏览 0提问于2019-07-03得票数 0
回答已采纳
1回答
通常，如果使用keras进行训练，model.fit希望训练数据的形状为(samples，timesteps，input)，标签为(samples，outputs)。
浏览 13提问于2019-07-02得票数 0
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.代码片段如下所示：conv1 = Conv1D(filters=32= LSTM(32)(pool1)model = Model(inputs=input_layer由于input_shap
浏览 0提问于2018-07-15得票数 24
1回答
当我训练我的模型时，它有一个二维输出--它是(无，1) --对应于我试图预测的时间序列。但是，每当我加载保存的模型以进行预测时，它就有一个三维输出--(无，40，1) --其中40对应于适应conv1D网络所需的conv1D。怎么啦？以下是代码：
#model = load_model('ModeloConv1D.h
浏览 0提问于2020-04-01得票数 1
回答已采纳
我正在开发一个在角星的CNN分类卫星图像，有10个光谱波段。在下面的网络中，我获得了相当高的精度(在15个类别中，大约60%的val精度)，但是我想更好地将单个像素上的光谱波段之间的关系结合起来，这样就可以获得像素类的大量信息。我看到很多报纸这样做，但这通常被称为不同的东西。例如：
我不确定这些方法之间的</
浏览 2提问于2019-04-30得票数 6
回答已采纳
当前的架构是这样的： model = Sequential()model.add(Bidirectional(LSTM(20, return_sequences=True)))model.add(Dense(100, activation=
浏览 86提问于2020-07-16得票数 0
回答已采纳
1回答
当我训练我的模型时，它有一个二维输出-它是(none，1) -对应于我试图预测的时间序列。但是，每当我加载保存的模型以进行预测时，它都会有一个三维输出- (none，40，1) -其中40对应于拟合conv1D网络所需的n_steps。怎么啦？代码如下： df = np.load('Principal.npy')
#model = load_model('ModeloConv
浏览 68提问于2020-04-01得票数 0
回答已采纳
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
云直播
对象存储
腾讯会议活动推荐
腾讯云开发者
