Skip to content

Latest commit

 

History

History
234 lines (161 loc) · 7.13 KB

reshape-in​​put-data-long-short-term-memory-networks-keras.md

File metadata and controls

234 lines (161 loc) · 7.13 KB
Raw

如何在 Keras 中重塑长短期存储网络的输入数据

原文： https://machinelearningmastery.com/reshape-in​​put-data-long-short-term-memory-networks-keras/

可能很难理解如何准备序列数据以输入 LSTM 模型。

通常，如何为 LSTM 模型定义输入层存在混淆。

关于如何将可能是 1D 或 2D 数字矩阵的序列数据转换为 LSTM 输入层所需的 3D 格式也存在混淆。

在本教程中，您将了解如何为 LSTM 模型定义输入层以及如何为 LSTM 模型重新加载已加载的输入数据。

完成本教程后，您将了解：

  • 如何定义 LSTM 输入层。
  • 如何重塑 LSTM 模型的一维序列数据并定义输入层。
  • 如何重塑 LSTM 模型的多个并行系列数据并定义输入层。

让我们开始吧。

How to Reshape Input for Long Short-Term Memory Networks in Keras

如何重塑 Keras 长期短期记忆网络的输入 图片来自 Global Landscapes Forum ，保留一些权利。

教程概述

本教程分为 4 个部分;他们是：

  1. LSTM 输入层
  2. 具有单输入样本的 LSTM 示例
  3. 具有多输入功能的 LSTM 示例
  4. LSTM 输入提示

LSTM 输入层

LSTM 输入层由网络的第一个隐藏层上的“input_shape”参数指定。

这会让初学者感到困惑。

例如，下面是具有一个隐藏的 LSTM 层和一个密集输出层的网络的示例。

model = Sequential()
model.add(LSTM(32))
model.add(Dense(1))

在此示例中，LSTM（）层必须指定输入的形状。

每个 LSTM 层的输入必须是三维的。

此输入的三个维度是：

  • 样品。一个序列是一个样本。批次由一个或多个样品组成。
  • 时间步。一个步骤是样品中的一个观察点。
  • 功能。一个特征是在一个时间步骤的一个观察。

这意味着输入层在拟合模型和做出预测时需要 3D 数据数组，即使数组的特定尺寸包含单个值，例如，一个样本或一个特征。

定义 LSTM 网络的输入层时，网络假定您有一个或多个样本，并要求您指定时间步数和要素数。您可以通过指定“input_shape”参数的元组来完成此操作。

例如，下面的模型定义了一个输入层，该输入层需要 1 个或更多样本，50 个时间步长和 2 个特征。

model = Sequential()
model.add(LSTM(32, input_shape=(50, 2)))
model.add(Dense(1))

现在我们知道了如何定义 LSTM 输入层以及 3D 输入的期望，让我们看看如何为 LSTM 准备数据的一些示例。

单输入样本的 LSTM 示例

考虑具有多个时间步长和一个特征的一个序列的情况。

例如，这可能是 10 个值的序列：

0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0

我们可以将这个数字序列定义为 NumPy 数组。

from numpy import array
data = array([0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0])

然后我们可以使用 NumPy 数组上的 reshape（） 函数将这个一维数组重新整形为一个三维数组，每个时间步长有 1 个样本，10 个时间步长和 1 个特征。

在数组上调用时， reshape（） 函数接受一个参数，该参数是定义数组新形状的元组。我们不能传递任何数字元组;重塑必须均匀地重新组织数组中的数据。

data = data.reshape((1, 10, 1))

重新成形后，我们可以打印数组的新形状。

print(data.shape)

将所有这些放在一起，下面列出了完整的示例。

from numpy import array
data = array([0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0])
data = data.reshape((1, 10, 1))
print(data.shape)

运行该示例将打印单个样本的新 3D 形状。

(1, 10, 1)

此数据现在可以用作输入（X）到 LSTM，其 input_shape 为（10,1）。

model = Sequential()
model.add(LSTM(32, input_shape=(10, 1)))
model.add(Dense(1))

具有多输入功能的 LSTM 示例

考虑您有多个并行系列作为模型输入的情况。

例如，这可能是两个并行的 10 个值系列：

series 1: 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0
series 2: 1.0, 0.9, 0.8, 0.7, 0.6, 0.5, 0.4, 0.3, 0.2, 0.1

我们可以将这些数据定义为包含 10 行的 2 列矩阵：

from numpy import array
data = array([
	[0.1, 1.0],
	[0.2, 0.9],
	[0.3, 0.8],
	[0.4, 0.7],
	[0.5, 0.6],
	[0.6, 0.5],
	[0.7, 0.4],
	[0.8, 0.3],
	[0.9, 0.2],
	[1.0, 0.1]])

该数据可以被构造为 1 个样本，具有 10 个时间步长和 2 个特征。

它可以重新整形为 3D 数组，如下所示：

data = data.reshape(1, 10, 2)

Putting all of this together, the complete example is listed below.

from numpy import array
data = array([
	[0.1, 1.0],
	[0.2, 0.9],
	[0.3, 0.8],
	[0.4, 0.7],
	[0.5, 0.6],
	[0.6, 0.5],
	[0.7, 0.4],
	[0.8, 0.3],
	[0.9, 0.2],
	[1.0, 0.1]])
data = data.reshape(1, 10, 2)
print(data.shape)

Running the example prints the new 3D shape of the single sample.

(1, 10, 2)

此数据现在可以用作输入（X）到 LSTM，其 input_shape 为（10,2）。

model = Sequential()
model.add(LSTM(32, input_shape=(10, 2)))
model.add(Dense(1))

更长的工作示例

有关准备数据的完整端到端工作示例，请参阅此帖子：

LSTM 输入提示

本节列出了在准备 LSTM 输入数据时可以帮助您的一些提示。

  • LSTM 输入层必须为 3D。
  • 3 个输入维度的含义是：样本，时间步长和功能。
  • LSTM 输入层由第一个隐藏层上的input_shape参数定义。
  • input_shape参数采用两个值的元组来定义时间步长和特征的数量。
  • 假设样本数为 1 或更多。
  • NumPy 数组上的 reshape（） 功能可用于将您的 1D 或 2D 数据重塑为 3D。
  • reshape（） 函数将元组作为定义新形状的参数。

进一步阅读

如果您要深入了解，本节将提供有关该主题的更多资源。

摘要

在本教程中，您了解了如何为 LSTM 定义输入层以及如何重新整形序列数据以输入 LSTM。

具体来说，你学到了：

  • 如何定义 LSTM 输入层。
  • 如何重塑 LSTM 模型的一维序列数据并定义输入层。
  • 如何重塑 LSTM 模型的多个并行系列数据并定义输入层。

你有任何问题吗？ 在下面的评论中提出您的问题，我会尽力回答。