Keras LSTM如何通过model.predict()循环预测
Keras是一个基于Python的深度学习框架，它提供了简单易用的API来构建和训练神经网络模型。LSTM（长短期记忆网络）是一种特殊的循环神经网络（RNN），用于处理具有时间相关性的数据。
在Keras中，通过model.predict()方法可以使用已训练好的LSTM模型进行循环预测。下面是详细的步骤：
- 导入必要的库和模块：
from keras.models import load_model
import numpy as np- 加载训练好的LSTM模型：
model = load_model('lstm_model.h5') # 替换成你的模型文件路径- 准备输入数据：
# 假设你要进行10步的循环预测，sequence_length表示用于预测的历史时间步数
sequence_length = 10
# input_data是一个长度为sequence_length的一维数组，表示历史观测值
input_data = np.array([...]) # 替换成你的输入数据
# 将输入数据转换为模型所需的输入形状，例如将一维数组转换为二维数组
input_data = input_data.reshape(1, sequence_length, 1)- 进行循环预测：
# 初始化一个空的预测结果数组，用于存储每一步的预测值
predictions = []
# 循环预测10步
for _ in range(10):
# 使用模型进行预测
predicted_value = model.predict(input_data)
# 将预测值加入结果数组
predictions.append(predicted_value)
# 更新输入数据，将最新的预测值加入输入数据，用于下一步的预测
input_data = np.append(input_data[:, 1:, :], [[predicted_value]], axis=1)- 获取最终的预测结果：
# 将预测结果转换为一维数组
predictions = np.array(predictions).flatten()通过以上步骤，你可以使用Keras的LSTM模型通过model.predict()方法进行循环预测。请注意，这只是一个基本的示例，实际应用中可能需要根据具体情况进行适当的调整和优化。
关于腾讯云的相关产品和介绍链接，可以参考腾讯云官方文档或者腾讯云的产品页面，具体链接如下：
- 腾讯云产品文档：https://cloud.tencent.com/document
- 腾讯云机器学习平台（ModelArts）：https://cloud.tencent.com/product/ma
- 腾讯云人工智能（AI）：https://cloud.tencent.com/solution/ai
请注意，以上链接仅供参考，实际产品和介绍可能会有更新或变动，请以腾讯云官方网站为准。
相关·内容
2回答
我的理解是，对于某些类型的seq2seq模型，您需要训练编码器和解码器，然后将编码器放在一边，只使用解码器进行预测。例如，优步的seq2seq时间序列预测模型：
📷
现在，我正试图在Keras中实现这个to版本。
这是普通LSTM的Keras代码：
# define model
model = Sequential()
model.add(LSTM(50, activation='relu', input_shape=(n_steps, n_features)))
model.add(Dense(1))
model.compile(optimizer='adam'
浏览 0提问于2019-07-27得票数 4
我有一个模型已经工作，并有一个循环它的训练。您可以在这里看到循环：
for idx, (x, y) in enumerate(train_dataset):
pred = model.predict_on_batch(x)
print(model.test_on_batch(x, pred, reset_metrics=False, return_dict=True))
print(model.train_on_batch(x, y, reset_metrics=False))
print(f"After {idx} entries")
我想要创建一个自定义混淆
浏览 5提问于2022-03-21得票数 -1
回答已采纳
我用keras来预测LSTM的时间序列，我意识到我们可以用没有我们训练的时间步长相同的数据来预测。例如：
import numpy as np
import keras.optimizers
from keras.models import Sequential
from keras.layers import Dense,Activation,Dropout,TimeDistributed
from keras.layers import LSTM
Xtrain = np.random.rand(10,3,2) #Here timestep is 3
Ytrain = np.random
浏览 5提问于2017-04-11得票数 0
我有以下的时间序列，我分为火车，瓦尔和测试：
📷
基本上，我对ARIMA和LSTM进行了关于这些数据的培训，结果完全不同，就预测而言: ARIMA：
📷
LSTM：
📷
现在，也许我是通过了，在某种程度上，测试设置为LSTM，以便表现得更好？或者LSTM仅仅是比ARIMA更好？下面是一些代码。请注意，为了在将来进行预测，在训练和预测: ARIMA代码之前，我要在我的系列中添加新的和最后的预测值：
# Create list of x train valuess
history = [x for x in x_train]
# establish list for predictions
mo
浏览 0提问于2022-10-21得票数 1
回答已采纳
我使用这个代码来训练我的数据模型。
tf.keras.backend.clear_session()
tf.random.set_seed(50)
np.random.seed(50)
train_set = windowed_dataset(x_train, window_size=30, batch_size=15, shuffle_buffer=shuffle_buffer_size)
model = tf.keras.models.Sequential([
tf.keras.layers.Conv1D(filters=100, kernel_size=5,
浏览 1提问于2020-04-10得票数 1
回答已采纳
3回答
这是一个单变量时间序列预测问题。如下面的代码所示，我将初始数据划分为一个列车数据集(trainX)和一个测试数据集(testX)，然后通过keras创建一个LSTM网络。接下来，通过训练数据集对模型进行训练。然而，当我想得到预测时，我需要知道测试值，所以我的问题是:既然我知道问题中的测试数据集的真实值，我为什么要预测。我想得到的是未来时间的预测值？如果我对LSTM网络有一些误解，请告诉我。
谢谢!
# create and fit the LSTM network
model = Sequential()
model.add(LSTM(4, input_shape=(1, look_back)
浏览 5提问于2018-10-24得票数 3
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
与独立的keras模型相比，使用tf.keras.estimator.model_to_estimator有什么好处？例如，当我们想要实时服务模型的时候？
让我们举个例子。我有一个Keras，它是一个stateful模型。这意味着，当实时数据进入预测时，我需要执行以下步骤：
重置模型状态
为该用户设置上一次预测的状态(如果这是旧用户)
运行predict(x=x)并保存输出的状态，以便对此用户进行未来预测。
在Keras中，我使用以下步骤执行以下步骤：
old_states = [state_h, state_c]
lstm_layer = model.get_layer(
浏览 1提问于2019-01-11得票数 3
回答已采纳
1回答
我试图在实时运行的应用程序中运行一个在Keras中受过训练的RNN。在递归网络中的“时间”(它是一个LSTM)这里是数据被接收时的实际时刻。
我想以一种在线的方式获得RNN的输出。对于非递归模型，我只是将我的输入输入到形状inputDatum=1,input_shape中，并在其上运行Model.predict。我不确定这是为应用程序在Keras中使用前向传递的预期方法，但它对我起了作用。
但对于递归模块，Model.predict期望输入整个输入，包括时间维度。所以这不管用..。
在Keras中有什么方法可以这样做吗?还是我需要深入到Tensorflow并在那里实现操作？
浏览 1提问于2018-03-16得票数 4
回答已采纳
我训练了一个用word2vec来预测主题类别的模型和一个使用keras的lstm模型，在训练中获得了98%的准确率，我将模型保存到另一个文件中进行测试，我使用了model.evaluate和model.predict，结果相差很大。
我使用带有tensorflow的keras作为后端，模型摘要如下：
_________________________________________________________________
Layer (type) Output Shape Param #
=================
浏览 2提问于2019-07-26得票数 8
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
我已经完成了一个简单的多对一的LSTM模式如下。
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.layers import LSTM
from tensorflow.keras.layers import Dropout
model=Sequential()
model.add(LSTM(2**LSTM_units,input_length=data.shape[1],input_dim=data.shape[2],re
浏览 0提问于2020-06-22得票数 11
1回答
我知道LSTM层需要一个三维输入(样本、时间步骤、特性)。但是它的哪一个维度数据被认为是一个序列。阅读一些我理解的站点是时间步骤，所以我尝试创建一个简单的问题来测试。在这个问题中，LSTM模型需要在时间步长维度上对值进行求和。然后，假设模型将考虑时间步长的前一个值，它应该作为输出返回值的总和。
我试了4个样本，结果不太好。我的推理有道理吗？
import numpy as np
from keras.models import Sequential
from keras.layers import Dense, LSTM
X = np.array([
[5.,0.,-4.,3
浏览 1提问于2018-08-18得票数 2
回答已采纳
1回答
我有一个LSTM网络，我用它来预测负载。我想得到预测的置信区间。我不确定我能不能做到这一点。我试着在不同的平台上搜索，但是我找不到解决方案。这是我的简单模型。
导入熊猫为pd pd.options.mode.chained_assignment = None #默认值=‘警告’进口np
import tensorflow as tf
from datetime import datetime
from tensorflow import keras
from keras.models import Sequential
from keras.layers import LSTM, Dense,
浏览 0提问于2022-03-14得票数 0
回答已采纳
当使用Keras对时间序列数据进行预测时，当我试图使用批处理大小为50来训练模型时，就会出现错误，然后尝试使用批处理大小1(即只是预测下一个值)对同一模型进行预测。
为什么我不能一次训练和匹配多个批次的模型，然后使用该模型来预测除相同批次大小之外的其他任何东西。这似乎没有道理，但我很容易就会错过这方面的一些东西。
编辑:这是模型。batch_size为50，sl为序列长度，目前设置为20。
model = Sequential()
model.add(LSTM(1, batch_input_shape=(batch_size, 1, sl), stateful=True))
浏览 5提问于2017-04-30得票数 34
回答已采纳
1回答
编辑后添加:我找到了我认为可行的解决方案：
我试图使用Conv/LSTM网络来控制机器人。我想我已经把所有的东西都设置好了，这样我就可以开始用重放内存中的数据来训练它了，但是我不知道如何用它来控制一个机器人。下面是简化的测试代码。
import numpy as np
from keras.models import Sequential
from keras.layers import Dense, Flatten, Input
from keras.layers import Convolution2D
from keras.layers.recurrent import LSTM
f
浏览 1提问于2017-09-28得票数 0
回答已采纳
2回答
我正在尝试使用Keras生成一个具有LSTM RNN的学习时间序列，所以我希望预测一个数据点，并将它作为输入输入来预测下一个数据，这样我就可以实际生成时间序列(例如，给定2000个数据点，预测下一个2000年)，我尝试这样做，但是测试分数RMSE是1.28，预测基本上是一条直线。
# LSTM for international airline passengers problem with regression framing
import numpy
import matplotlib.pyplot as plt
from pandas import read_csv
import mat
浏览 6提问于2017-05-09得票数 5
回答已采纳
我正在尝试使用tensorflow对RNN进行二进制分类。M y训练和测试数据的标签是0和1。当我尝试在完成的模型上使用我的RNN时，它为每个单独的样本返回几乎相同的预测：
model.predict(holdout_x[400:500])
array([[-4.116061 , -1.3410028],
[-4.1405125, -1.3521721],
[-4.171639 , -1.3665637],
[-4.1515126, -1.356805 ],
[-4.1466017, -1.3546 ],
[-4.1306634, -1.3479614],
浏览 11提问于2020-05-29得票数 1
2回答
我在Keras (20个单元)训练了一个简单的双向LSTM网络，并通过
tfjs.converters.save_keras_model(model, 'myModel')
模型的大小为53 is。在我的JavaScript应用程序中，我像这样加载模型
var model;
async function loadModel() {;
model = await tf.loadModel('https://example.com/myModel.json');
}
然后我做了预测
async function predict(input) {
va
浏览 0提问于2018-11-14得票数 5
2回答
我试着用石灰文本解释器来解释Keras模型。我有新闻标题和二进制目标变量(情感)。
我的模型如下：
vocab_size = len(tokenizer.word_index) + 1
embedding_dim = 16
max_length = 3000
trunc_type='post'
padding_type='post'
oov_tok = "<OOV>"
training_sequences = tokenizer.texts_to_sequences(X_titles_tr) # train texts
traini
浏览 30提问于2022-08-12得票数 0
回答已采纳
我想使用历史数据(2021.01~2021.08)和天气数据来预测每小时的使用情况。 我想用过去3天(72小时)的数据预测未来24小时的使用率 列车数据为2021.01.31~2021.07.31，试验数据为2021.08.01~2021.08.31。 我做了数据缩放(RobustScaler)和one-hot编码。 下面是我的代码： final_x_train.shape : (49393, 72, 276)
final_y_train.shape : (49393, 24)
final_x_test.shape : (7220, 72, 276)
final_y_test.shape :
浏览 47提问于2021-11-17得票数 1
1回答
进行一步预测
、、、、
我正在制作一个LSTM模型，并在kaggle上找到的TSLA数据集上对其进行训练。所以我的问题是，当我打电话给model.predict时，这个预测会给我第二天的股票价格吗？这是一个单步预测吗？当我打印model.predict时，我得到一个很大的列表，所以我使用numpy argmax函数给我一个数字。代码如下： import tensorflow as tf
from tensorflow.keras.layers import LSTM, Dense, Dropout, Input, GlobalMaxPooling1D
import numpy as np
import pand
浏览 19提问于2020-10-19得票数 1
回答已采纳
下面是一个与在MLFlow中存储keras模型相关的简化代码段。
with mlflow.start_run() as run:
mlflow.keras.log_model(model,"lstm")
mlflow.log_params(model_parameters)
mlflow.log_metrics(model_metrics)
但是，假设每个模型都有一个对应的数据预处理函数，需要在预测之前应用于新的数据。
processed_data = custom_processing_function(new_data)
predictions =
浏览 0提问于2022-05-18得票数 0
回答已采纳
1回答
我有一个简单的单变量时间序列预测问题，其中我的输入是10, 20, 30, 40, 50, 60, 70, 80, 90。我想让模型预测接下来的3个值。也就是说，输出应该是100, 110, 120。
我使用堆叠的LSTM来做这件事。我的代码如下。
from numpy import array
from keras.models import Sequential
from keras.layers import LSTM, Dense
def split_sequence(sequence, n_steps_in, n_steps_out):
X, y = list(), lis
浏览 12提问于2020-03-10得票数 0
回答已采纳
我使用的是keras，最后一层使用的是“softmax”激活函数。然而，当我使用预测和求和概率时，我没有得到1，为什么呢？
注:我离1真的很远：
>>> m
<keras.models.Sequential object at 0x1083fdf60>
>>> m.layers[-1].activation
<function softmax at 0x1092bfea0>
>>> X.shape
(1940, 10, 48)
>>> m.input
<tf.Tensor 'lstm_
浏览 3提问于2017-04-13得票数 4
回答已采纳
我正在使用Keras构建一个用于文本分类的LSTM，并尝试使用不同的输入句子来了解发生了什么，但我得到了奇怪的输出。例如：
句子1=“周二，51岁的玛丽·巴拉女士完成了一段非凡的个人冒险之旅，她被任命为通用汽车的下一任首席执行官，也是第一位登上大型汽车公司最高职位的女性。”
周二，51岁的玛丽·巴拉女士被任命为通用汽车的下一任首席执行官，也是第一位登上大型汽车公司最高职位的女性。
当句子2是输入数组中的唯一元素时，该模型预测类"objective“(0)，输出0.4242。它预测句子1的“主观”(1)，输出0.9061。如果它们都(作为单独的字符串)作为输入输入到同一数组中，则两者都被
浏览 0提问于2019-03-06得票数 1
我在玩tf.keras，并在两个具有相同权值初始化的Model对象上运行了一些predict()方法。
import numpy as np
import tensorflow as tf
from tensorflow.keras.layers import LSTM, Masking, Input, Embedding, Dense
from tensorflow.keras.models import Model
tf.enable_eager_execution()
np.random.seed(10)
X = np.asarray([
[0, 1, 2, 3, 3],
浏览 0提问于2019-03-14得票数 4
1回答
我尝试从我的LSTM模型中预测一个结果
我的模型有n_features = 32和time_step = 100，代码如下
model = tf.keras.Sequential([
tf.keras.layers.InputLayer( input_shape=(time_step , n_features)),
tf.keras.layers.LSTM(64),
tf.keras.layers.Dense(1)]
)
我使用生成器训练我的模型
generator = TimeseriesGenerator(x_feature,y_target,length=time_st
浏览 0提问于2020-03-21得票数 0
1回答
我刚实现了一个LSTM，
但我不确定我是否正确地解释了这个结构。
在这个上下文中，testPredict = model.predict(Xtest)是序列的最后一个值，因此最终(在逆转MinMaxscaler之后)变量last_value = (testPredict[-1])是对未来的预测吗？
from IPython.core.debugger import set_trace
import pandas as pd
import numpy as np
import os
import matplotlib.pyplot as plt
import time
import yfinan
浏览 5提问于2022-05-03得票数 1
1回答
基于LSTM的时间序列一步预测
、、、、
我想用LSTM预测股票价格。我成功地训练了我的模型并保存了它。现在我已经加载了它，我将如何使用model.predict()来预测在数据集中没有对应值的股票价格，就像目前一样，我只能“预测”数据集中已经存在的已知值。
塞纳里奥:我的模型已经训练好了(足够高的精确度)，而且我保存了它。我想应用我的模型(load_model())。我的时间步骤设置为30天，所以我已经加载了30天的数据(例如。3月9日-4月8日)在适当的格式，但显然我没有‘预期’输出。如何使用model.predict()来预测未来的价值。还是我遗漏了什么？
上面的图表是当我使用model.predict()预测数据集中
浏览 2提问于2020-04-08得票数 0
我使用keras LSTM层，并且我的输出预测彼此非常相似。它们之间的差异不超过2个单位。下面是我的代码：
model = Sequential()
model.add(LSTM(5, activation='relu', input_dim=5))
model.add(Dense(units=1, activation='sigmoid'))
model.compile(loss='mean_squared_error',
optimizer='sgd',
metric
浏览 0提问于2018-07-25得票数 3
我试图预测不同消息的标签(36个类)。我使用LSTM和tensorflow作为Keras。当我预测11条信息的标签(Y)时，我得到了一些结果。但是当我预测59条消息的标签(11 + 48行)时，我会预测这11条信息的变化.
网络很简单：
model = tf.keras.Sequential([
tf.keras.layers.Embedding(vocab_size, embedding_dim, input_length=max_length),
tf.keras.layers.LSTM(embedding_dim2, dropout=0.5, recurrent_drop
浏览 1提问于2020-10-06得票数 0
考虑下面这个最小的可运行示例：
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM
import numpy as np
import matplotlib.pyplot as plt
max = 30
step = 0.5
n_steps = int(30/0.5)
x = np.arange(0,max,step)
x = np.cos(x)*(max-x)/max
y = np.roll(x,-1)
y[-1] = x[-1]
shape
浏览 5提问于2017-03-15得票数 1
回答已采纳
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
1回答
我对蟒蛇和神经网络很陌生。我有一个用Keras编写的简单网络，它可以以线性顺序预测下一个数：
import numpy as np
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM
data = [[i for i in range(6)]];
data = np.array(data, dtype=int);
target = [[i for i in range(10, 16)]];
target = np.array(target, dtyp
浏览 1提问于2018-06-11得票数 4
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
2回答
LSTMs如何预测N个步骤
、、、、
我有大约3周15分钟的电力数据，我很想知道如何预测未来的整整一天的电量?组成24 hours...my模型的96个未来值仅能输出/预测未来的1步，任何技巧都非常感谢如何修改我的方法。
我可以制作这个LSTM模型，其中我只使用2个EPOCHS用于测试目的：
# https://machinelearningmastery.com/time-series-prediction-lstm-recurrent-neural-networks-python-keras/
import numpy as np
import matplotlib.pyplot as plt
import tensorfl
浏览 0提问于2023-01-19得票数 0
回答已采纳
1回答
当预测发生时精度较差
、、、、
我在Keras为有毒挑战训练了我的模型之后，预测的准确性就差了。我不确定我是不是做错了什么，但是在训练期间的准确性是相当好的~0.98。
我是如何训练的
import sys, os, re, csv, codecs, numpy as np, pandas as pd
import matplotlib.pyplot as plt
from keras.preprocessing.text import Tokenizer
from keras.preprocessing.sequence import pad_sequences
from keras.layers import Dense
浏览 0提问于2019-05-26得票数 1
回答已采纳
我在tensorflow中注意到，control_dependencies是一件重要的事情，我们需要处理它。
尽管如此，当我用tensorflow keras实现一个模型时，我注意到如果不添加control_dependencies，它似乎仍然是可以的。
例如，假设我有一个4层LSTM模型，如下所示：
import numpy as np
sequence_input = tf.keras.layers.Input(dtype='int32', shape=(3,))
embedding_output = tf.keras.layers.Embedding(input_dim
浏览 6提问于2020-01-02得票数 0
2回答
我从机器(m1, m2, so on)记录了28天的信号。(注:每一天的每个信号都有360长)。
machine_num, day1, day2, ..., day28
m1, [12, 10, 5, 6, ...], [78, 85, 32, 12, ...], ..., [12, 12, 12, 12, ...]
m2, [2, 0, 5, 6, ...], [8, 5, 32, 12, ...], ..., [1, 1, 12, 12, ...]
...
m2000, [1, 1, 5, 6, ...], [79, 86, 3, 1, ...], ..., [1, 1, 12, 12,
浏览 0提问于2020-01-30得票数 7
回答已采纳
1回答
我需要问如何从keras函数api中使用keras预测。我需要编写多输出的多元LSTM模型。我写过这样的模型：
inp = Input((train_X.shape[1],train_X.shape[2]))
x = LSTM(192,return_sequences=True)(inp)
x = Dropout(0.5)(x)
x = Flatten()(x)
out1 = Dense(1,activation='softsign')(x)
out2 = Dense(1,activation='softsign')(x)
model = Model(input
浏览 1提问于2018-05-25得票数 1
回答已采纳
1回答
Tensorflow中是否支持在不同线程上加载和预测模型？
一些背景：
当尝试在线程A中加载模型，然后在线程B中预测模型时，我们将收到以下错误消息：
ValueError: Tensor SOME_TENSOR is not an element of this graph.
我找到了这个，建议通过在加载模型时存储图形来解决它，并在预测时使用它作为缺省值。就像这样：
# thread A
global graph
graph = tf.get_default_graph()
...
# thread B
with graph.as_default():
preds = model.
浏览 3提问于2020-04-07得票数 0
我正在使用长短期记忆(LSTM)来生成预测。我注意到，每次运行LSTM模型时，它使用相同的数据生成略有不同的预测。我想知道为什么会发生这种情况，是不是我做错了什么？ 谢谢你 from numpy import array
from keras.models import Sequential
from keras.layers import LSTM
from keras.layers import Dense
from keras.layers import Flatten
from keras.layers import TimeDistributed
from keras.layers
浏览 60提问于2019-06-09得票数 3
回答已采纳
我正在尝试根据特定字符出现的次数对一组序列进行分类。我想要一个具有一维输入的网络，这样(可变长度的)输入可以一次输入一个字符。然后我想要一个浮动分类，它在每个字符被处理后更新。
我是第一次接触tensforflow，并使用以下教程：
当我尝试使用一个完全不同的数据集时，其中很多似乎都无关紧要。
我已经生成了我的(训练/验证70-30%)数据，并将它们保存在以下形式的字典中：{sequence_string: classification}。
我已经开始研究用于构建模型的以下代码：
model = tf.keras.Sequential([
tf.keras.layers.Embeddi
浏览 0提问于2019-11-21得票数 0
1回答
我正在做一个使用窗口法的时间序列预测练习，但我正在努力理解如何从样本中进行预测。代码如下： def windowed_dataset(series, window_size, batch_size, shuffle_buffer):
dataset = tf.data.Dataset.from_tensor_slices(series)
dataset = dataset.window(window_size + 1, shift=1, drop_remainder=True)
dataset = dataset.flat_map(lambda window: window.ba
浏览 38提问于2020-09-12得票数 3
回答已采纳
因此，我一直在对一个数据集进行一些不同的预测方法，我在过去做过一些更基本的分析。在不涉及更多细节的情况下，它是由各种未知因素驱动的人口数据。我不希望能够很好地预测它，而且，在历史上，我看到MAPE值在25%的范围内使用更天真的模型，比如ARIMA (尽管即使是Prophet模型也不是很好)。所以今天，为了好玩，我决定尝试一下来自https://machinelearningmastery.com/time-series-prediction-lstm-recurrent-neural-networks-python-keras/的LSTM代码，看看它是如何实现的。可以说，它表现得太好了。所以，
浏览 0提问于2020-11-26得票数 2
2回答
在处理时间序列预测时，我看到大多数人在使用LSTM模型时遵循以下步骤：
获取、清理和预处理数据。
获取验证数据集，以便将来与模型预测进行比较。
LSTM模型的初始化与训练
使用验证数据集的副本进行预处理，与培训数据完全相同。
使用经过训练的模型对转换后的验证数据进行预测。
评估结果:预测与验证
但是，如果模型是准确的，那么如何做出超出验证期结束的预测呢？
以下内容只接受与培训数据相同的转换数据，但是对于超出验证期的预测，您没有任何输入数据可以输入到模型中。那么，人们是怎么做到的呢？
# Predictions vs validation
predictions
浏览 1提问于2021-10-28得票数 2
回答已采纳
我想在Keras中实现一个LSTM，用于流时间序列预测--即在线运行，一次获取一个数据点。，但正如人们所假设的那样，在线LSTM的培训时间可能会慢得令人望而却步。我想培训我的网络上的小批，并测试(运行预测)在线。在Keras中最好的方法是什么？
例如，小型批处理可以是在连续时间步骤中发生的1000个数据值([33, 34, 42, 33, 32, 33, 36, ... 24, 23])序列。为了训练网络，我指定了一个数组X of shape (900, 100, 1)，其中有900个长度为100的序列，以及一个形状(900, 1)的数组y。例如，
X[0] = [[33], [34], [4
浏览 1提问于2016-07-11得票数 15
回答已采纳
在Tensorflow教程中，我正在实验LSTM时间序列
在使用LSTM的“多步预测”一节中，教程说
由于这里的任务比以前的任务要复杂一些，所以模型现在由两个LSTM层组成。最后，由于72个预测，致密层输出72个预测。
之前的任务是单点预测。
我们如何知道一个问题需要多少层(在这里，2层)？
然后，从实现的角度，使用Python库，
multi_step_model = tf.keras.models.Sequential()
multi_step_model.add(tf.keras.layers.LSTM(32,
浏览 0提问于2019-12-25得票数 2
回答已采纳
2回答
这是我的密码
...
look_back = 20
train_size = int(len(data) * 0.80)
test_size = len(data) - train_size
train = data[0:train_size]
test = data[train_size:len(data)]
x_train, y_train = create_dataset(train, look_back)
x_test, y_test = create_dataset(test, look_back)
x_train = np.reshape(x_train, (x_train.s
浏览 2提问于2019-05-30得票数 1
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
实时音视频
对象存储
云直播活动推荐
腾讯云开发者
