基于预训练模型的Keras时间序列预测
是指使用Keras深度学习框架中的预训练模型来进行时间序列数据的预测和分析。Keras是一个基于Python的开源深度学习框架，它提供了简单且高度灵活的接口，使得构建和训练深度神经网络变得更加容易。
时间序列预测是指对于给定的时间序列数据，使用模型来预测未来时间点的数值。预训练模型是在大规模数据集上预先训练好的模型，它具有强大的特征提取能力和泛化能力，可以帮助我们更好地处理时间序列数据，并提高预测的准确性。
在时间序列预测中，我们可以使用Keras框架中的预训练模型来进行特征提取和模式识别。通过将时间序列数据转化为适当的输入格式，并利用预训练模型学习到的特征进行训练和预测，可以实现更精确和可靠的时间序列预测。
优势：
- 简单易用：Keras提供了简单且高度可扩展的API，使得构建和训练深度神经网络变得更加容易，即使对于初学者也很友好。
- 预训练模型：利用预训练模型可以避免从头开始训练模型，节省了大量时间和计算资源，并且能够获得更好的特征表示和泛化能力。
- 强大的功能：Keras提供了丰富的深度学习功能，包括各种网络层、激活函数、优化器等，可以灵活地构建各种复杂的模型。
应用场景： 基于预训练模型的Keras时间序列预测可以应用于各种领域，例如：
- 股票市场预测：通过分析历史股票价格数据，预测未来股票价格的涨跌趋势，帮助投资者做出决策。
- 天气预测：利用历史气象数据，预测未来天气变化趋势，提供准确的天气预报服务。
- 能源需求预测：通过分析历史能源需求数据，预测未来的能源需求量，帮助能源供应商做出合理的供应计划。
腾讯云相关产品推荐： 腾讯云提供了多种与深度学习和时间序列预测相关的产品和服务，以下是一些推荐的产品：
- 机器学习平台（https://cloud.tencent.com/product/tf） 腾讯云的机器学习平台提供了强大的深度学习功能和预训练模型，支持Keras框架，并提供了丰富的资源和工具，方便用户进行时间序列预测的开发和部署。
- 人工智能加速器（https://cloud.tencent.com/product/huakong） 腾讯云的人工智能加速器提供了高性能的计算资源，可用于加速深度学习模型的训练和推理，提高时间序列预测的效率和准确性。
- 云数据库（https://cloud.tencent.com/product/cdb） 腾讯云的云数据库提供了可靠的存储和管理时间序列数据的能力，支持高可用性和灵活的扩展，适用于时间序列预测中数据的存储和处理。
总结： 基于预训练模型的Keras时间序列预测是一种利用Keras框架和预训练模型进行时间序列数据预测和分析的方法。它具有简单易用、强大的功能和广泛的应用场景，可以帮助我们更好地处理时间序列数据，并提高预测的准确性。腾讯云提供了相关的产品和服务，可以帮助用户进行时间序列预测的开发和部署。
相关·内容
3回答
部署LSTM模型
、、
我已经训练和验证了我的LSTM，我想部署它。因此，我知道我们可以保存和加载Keras的Sequential对象(您可以猜到，我正在使用Keras )。因此，我使用这些函数实现了一个代码。
但是，我想知道我是否必须用所有可用的数据(训练+测试)来训练我的模型，还是像我在学习期间所做的那样对训练集进行训练。许多教程讨论如何训练模型，但没有那么多的教程清楚地介绍了如何部署模型。
我想知道什么是常见的做法，因为我知道我正在做时间序列预测，这是一个具体的问题。
浏览 0提问于2019-08-06得票数 5
回答已采纳
为什么Tensorflow中Keras API的函数接受batch_size？据我所知，这个参数应该只与管理我们在训练期间每次迭代使用的样本数有关。在模型评估过程中，这种选择有什么影响？
浏览 1提问于2020-05-21得票数 1
3回答
我想预测某些每周可预测的值(低信噪比)。我需要预测一年中每周形成的整个时间序列(52个值-图1)。
我的第一个想法是使用TensorFlow上的Keras开发一个多到多的LSTM模型(图2)。我用52个输入层(前一年给定的时间序列)和52个预测输出层(明年的时间序列)来训练模型。train_X的形状是( X_examples，52，1)，换句话说，X_examples训练，52个时间步骤，每一个特征。据我所知，Keras将把52个输入视为同一域的时间序列。train_Y的形状相同(y_examples，52，1)。我添加了一个TimeDistributed层。我的想法是，该算法将预测
浏览 5提问于2017-12-01得票数 23
回答已采纳
我正在尝试解决一个时间序列预测问题。我尝试了ANN和LSTM，尝试了很多不同的参数，但我只能得到比持久性预测好8%的结果。
所以我想知道:既然你可以在keras中保存模型；是否有任何预先训练的模型(LSTM、RNN或任何其他ANN)用于时间序列预测？如果是这样的话，我如何获取它们？在凯拉斯有吗？
我的意思是，如果有一个包含预训练模型的网站，那将是非常有用的，这样人们就不需要花费太多的时间来训练它们。
类似地，还有一个问题：
可以执行以下操作吗? 1.假设我现在有一个数据集，并使用它来训练我的模型。假设在一个月内，我将访问另一个数据集(对应于相同的数据或相似的数据，将来可能，但不是排他的)。那么
浏览 1提问于2017-10-12得票数 15
1回答
给出什么作为预测未来价值的指标？
、、、、
我对机器学习技术很陌生。我看了几个有监督的机器学习模型的例子，我对预测未来的价值有疑问。
我每天都有数据库中的时间序列数据集，我的目标变量是完整的噪声信号，如下所示：
📷
为了训练和预测模型，我们将数据集划分为训练集、验证集和测试集，以检验模型是否有效。我有两个自变量和一个目标变量。我正在使用线性回归，Keras和其他模型。
我的基本问题是，在下周没有自变量的情况下，如何预测未来的值(未来一周，一个月)？在这种情况下，作为预测指标，我该给些什么？
任何信息都是非常感谢的。
浏览 0提问于2018-01-29得票数 1
回答已采纳
2回答
我正在研究https://www.tensorflow.org/tutorials/text/text_generation上的一个Keras示例 这个模型是这样构建的： def build_model(vocab_size, embedding_dim, rnn_units, batch_size):
model = tf.keras.Sequential([
tf.keras.layers.Embedding(vocab_size, embedding_dim,
batch_input_shape
浏览 18提问于2020-10-31得票数 1
回答已采纳
1回答
我有一个推文语料库，我正在尝试使用BERT进行分类。我已经使用我的语料库成功地预先训练了BERT，并且它已经生成了检查点文件。现在我需要使用这个新的训练模型，并向其添加更多的层。我尝试使用keras_bert中的"load_trained_model_from_checkpoint“函数，但它失败了，并出现错误"cls/predictions/transform/dense/kernel not found in checkpoint”。有没有人能帮我修复这个bug。谢谢
浏览 9提问于2020-03-05得票数 0
1回答
我正在训练一个用于密码预测的回归模型，而这个模型并不是学习。
当我对我的模型进行训练时，比如01-01-2021年到01-01-2022年，我将数据集分割成一个训练和验证数据集(启用了洗牌)，学习进行得非常顺利。然而，这种方法在评估其他时间段时效果不佳。所以现在我使用不同的时间段来进行培训和验证数据。由于这种不同的方法，模型不再学习。训练数据集有995694个观测值。训练数据集和测试数据集都来自相同的功能，并且都进行了同样的预处理。我已经试验了不那么复杂的模型，模型参数，学习率，归一化和不同的特性。
有人知道我可以尝试什么或者我做错了什么吗？还是某种编码错误？或者说有人有任何正常化的想法？
这
浏览 0提问于2022-02-07得票数 0
我有一个由不同长度的时间序列组成的数据集。例如，请考虑以下内容 ts1 = np.random.rand(230, 4)
ts2 = np.random.rand(12309, 4) 我有200个数组列表形式的序列 input_x = [ts1, ts2, ..., ts200] 这些时间序列的标签为1，如果良好，则标签为0。因此，我的标签将如下所示 labels = [0, 0, 1, 0, 1, ....] 我正在构建一个keras模型，如下所示： model = keras.Sequential([
keras.layers.Conv1D(64, 3, activation='
浏览 56提问于2019-06-26得票数 4
我一直在尝试用keras创建一个keras，我很好地理解了训练的部分，但我不知道预测的部分。
那么，让我们想象一下，我们有10000个时间序列数据点。我们使用9000在前面的训练，而其他1000用于测试。因此，当我们开始训练时，我们将窗口长度设置为2，并将输入(X)设为第一个数据点，将输出(y)设置为第二个数据点时，将窗口向前滑动。
当我们训练的时候，模型因为它有状态的性质而会聚在一起。最后我们完成训练。
现在，我们只剩下一个模型和一些测试数据。问题从这里开始。我们测试第一个数据池。
它返回一个猜测的值。好的。
我们测试测试集的第二个数据点。
我们得到了输出。但问题是，因为我
浏览 2提问于2021-02-02得票数 3
回答已采纳
1回答
我不明白如何使用经过训练的模型。
例如，我使用来自的代码来训练模型。
import numpy as np
import tensorflow as tf
import tensorflow_datasets as tfds
from tensorflow.keras.preprocessing.text import Tokenizer
from tensorflow.keras.preprocessing.sequence import pad_sequences
imdb, info = tfds.load("imdb_reviews",with_info=True,
浏览 7提问于2022-05-15得票数 0
回答已采纳
1回答
序列推理的深度学习
、、、、
我想使用深度学习技术来执行比隐马尔可夫模型(这是一个浅层模型)更好的推理任务。我想知道什么是最先进的深度学习模式来取代隐马尔可夫模型(HMM)？这套设备是半监督的。训练数据X(t)，Y(t)是一个时间序列，具有显著的时间相关性。此外，还有大量的未标记数据，即简单X(t)和没有Y(t)。在阅读了许多论文后，我缩小了以下模型->有条件限制的Boltzmann机器(Ilya论文)，并使用深度信念网络进行无监督的预训练(或使用变分自动编码器进行预训练)。我对这个领域非常陌生，我想知道这些技术是否已经过时了。
浏览 2提问于2017-05-09得票数 1
回答已采纳
所以我正在跟踪Tensorflow的LSTM/时间序列教程，有些事情我不明白。我确实理解return_sequences开/关发生了什么，但是有人说，在return_sequences上，您可以允许
同时在多个时间步骤上训练模型
我不太明白这意味着什么。如果您不使用它，则输入将通过所有以前的时间步骤，并进行预测。您的损失将是这个预测的错误和实际的错误。你仍然在所有的时间步骤上进行训练，对吧(虽然我想不是同时进行的)。
如果是的话，它会对每一个时间步骤进行预测--在这种情况下，损失是多少？这是序列中每个预测的平均误差吗？为什么打开return_sequences更好，就像教程中所做的那样？在这种
浏览 0提问于2020-12-13得票数 2
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
1回答
我不能理解如何使用已经训练好的神经网络模型。我在python上编程，我使用的是库keras。我分析时间序列。训练神经网络，保存模型。
正如keras文档中所述，您需要调用model_name.predict ()方法。好的。我这样做: model.predict ( dataset )，其中dataset是过去90天的值。我需要提前预测，比如说，10天。
但是预测只针对指定的数据集90天！也就是说，您只能比较原始数据和预测。
那么，从今天开始如何提前10天进行预测呢？
浏览 18提问于2018-01-24得票数 0
我正在学习如何在Keras上训练RNN模型，我希望训练一个模型来预测最后N步的移动平均值将非常容易。
我有一个包含数千步的时间序列，我能够创建一个模型，并用批量数据对其进行训练。
但是，如果我用以下模型训练它，测试集预测与真实值有很大不同。(批次= 30，移动平均窗口= 10)
inputs = tf.keras.Input(shape=(batch_length, num_features))
x = tf.keras.layers.LSTM(10, return_sequences=False)(inputs)
outputs = tf.keras.layers.Dense(num_lab
浏览 0提问于2021-01-24得票数 0
2回答
时间序列数据的趋势
、、、
我使用带有LSTM层的Keras序列模型和时间序列数据来预测未来的值。为此，我在某个时间点将我的数据划分为训练数据和验证数据。时间序列数据具有积极的趋势，因此我的训练数据中的平均值低于我的验证数据中的平均值，因为我使用较新的数据作为验证。 初始模型每次预测0.5次，这是一个糟糕的模型。在下一个时期，模型将通过训练数据学习，预测值的平均值将低于0.5，这将减少训练损失，但会增加验证损失。只有在经历了许多时期之后，我才会看到验证损失开始下降的行为，在更多的时期之后，验证损失将首次低于第一个坏的始终预测0.5模型。 我使用Keras调谐器和Hyperband调谐器进行超参数验证。这不适用于这个时间
浏览 30提问于2021-04-21得票数 0
回答已采纳
在Keras中，我发现许多人在训练多对一LSTM模型时将“返回序列”指定为False。我想知道我是否可以为每个timestep单元格使用TimeDistributed层，然后使用上面的密集层来获得输出？
浏览 10提问于2018-07-26得票数 0
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
1回答
我有一个测量各种特征的传感器的表格数据。当传感器处于“关闭”状态时，它将报告0作为值。为了进行分类，我正在训练一些机器学习模型kNN、XGBoost和NN。这是我面临的问题:我可以逐行训练和预测；然而，将范围分类为整体比逐行分类更好。另一个问题是范围的大小可能会有所不同。有关一个非常基本的示例，请参阅此图说明范围。 ? 我有一个基本的Keras模型： model = Sequential()
model.add(Dense(100, activation='relu'))
model.add(Dense(100, activation='relu'))
m
浏览 26提问于2020-12-08得票数 0
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
2回答
我试图在Keras中使用多元LSTM进行多步时间序列预测.具体来说，我最初为每个时间步骤都有两个变量(var1和var2)。在遵循在线教程之后，我决定使用时间上的数据(t-2)和(t-1)来预测时间步骤t的var2值。正如示例数据表所示，我使用前4列作为输入，Y作为输出。我开发的代码可以看到，但我有三个问题。
var1(t-2) var2(t-2) var1(t-1) var2(t-1) var2(t)
2 1.5 -0.8 0.9 -0.5 -0.2
3 0.9 -0.5 -0.1
浏览 14提问于2017-10-24得票数 9
回答已采纳
3回答
我正在尝试使用来训练LSTM模型。我的训练数据是这样的：
>>> data.shape()
(100000,variable_sequence_lengths,295)
其中100000对应于实例的数目(序列的总数)，295表示给定序列的每个元素中的特征数。
我收到有关输入数据形状的错误。如何定义输入层和后续层(LSTM)中考虑可变序列长度的数据的形状？
from keras.layers import Input, Dense, concatenate, LSTM
from keras.models import Model
import numpy as np
inpu
浏览 0提问于2019-05-20得票数 2
回答已采纳
我有一套用来建立标签功能的特征(A组)和另一组用来训练滑雪板分类器(B组)的功能。
生成模型将输出一组概率标签，我可以用来训练我的分类器。
我是否需要在我的分类器特征中添加标记函数所使用的特征(集合A)？(设置B)还是仅仅使用生成的标签来训练我的分类器？
我指的是，我没有看到他们使用标签函数中的特性来训练新的分类器。
正如在cell 47中所看到的，特性化完全是使用CountVectorizer完成的：
from sklearn.feature_extraction.text import CountVectorizer
vectorizer = CountVectorizer(ngram_
浏览 8提问于2020-01-20得票数 1
回答已采纳
1回答
我在此基础上训练了一个w2v模型和一个keras模型：
pretrained_weights = w2v_model.wv.syn0
vocab_size, emdedding_size = pretrained_weights.shape
keras_lstm_model = Sequential()
keras_lstm_model.add(Embedding(input_dim = vocab_size, output_dim = emdedding_size, weights = [pretrained_weights]))
keras_lstm_model.add(LSTM(uni
浏览 0提问于2018-09-17得票数 1
我想将keras训练的模型集成到tensorflow网络中，以帮助训练tensorflow模型，也就是说，keras模型不需要再次训练，它只会为tensorflow模型产生损失。下图是基本的网络架构。
下面的代码是为keras模型生成损失。但是，不幸的是，它未能加载预训练的keras模型，尽管它没有给出任何错误。也就是说，代码可以工作，但它只是加载了一个随机模型(变量的随机值)，它返回了一个随机值，而不是预先训练的模型生成的值。
def keras_loss(sess,prediction):
#import package
from keras.models import Mo
浏览 0提问于2018-07-25得票数 0
我试图为Keras中的时间序列预测做一个LSTM。特别是，一旦模型被训练，它就应该预测看不见的值。时间序列的可视化如下所示。
该模型基于蓝色时间序列进行训练，并将预测结果与橙色时间序列进行比较。
对于预测，我希望获取训练数据的最后n个点(其中n是序列长度)，运行一个预测，并将此预测用于连续(第二个)预测，即：
prediction(t+1) = model(obs(t-1), obs(t-2), ..., obs(t-n))
prediction(t+2) = model(prediction(t+1), obs(t-1), ..., obs(t-n))
我试着让这件事起作用，但到目前为止都
浏览 0提问于2018-08-26得票数 5
我正在从事人类活动识别的工作，其中我使用的是双流网络。对于时间流(光流作为输入)，我从头开始训练我的模型，这需要大量的资源和时间。我决定在Keras应用程序中使用预训练模型来使用迁移学习，但keras应用程序中的每个模型都使用3通道输入形状，其中光流是1通道图像。有人能指导我如何使用预训练模型来拟合使用光流图像作为输入的时间流模型吗？
浏览 51提问于2021-06-24得票数 0
我正在做一个涉及神经机器翻译(将英语翻译成法语)的项目。 我已经在网上做了一些例子，现在已经完成了模型。一旦使用Keras训练了模型，我如何在不重新训练整个模型的情况下获得翻译的预测，因为我使用的数据集很大，每个时期都需要一些时间，当然，我不能在每次需要翻译时都训练模型。 那么，在不重新训练整个模型的情况下，对新输入生成预测的正确方法是什么？ 谢谢 ? ?
浏览 21提问于2021-01-28得票数 0
1回答
培训数据:预测还是实际？
、、、
我正在研究一个时间序列预测问题。我正在使用keras模型进行机器学习。
对于此预测，使用天气变量作为输入。它们可以分为两种类型:预测和实际。我已经获得了这两种类型的数据相当长的时间，我想训练和测试我的模型的数据。我的问题是：
( 1)训练时应否使用预报天气变数或实际天气变数？(考虑到在模型推断时只有预测的天气变量可用)。
2)同样的问题1用于测试。
对上述问题是否有规则或一般做法？如果是，我想知道。
浏览 0提问于2019-04-03得票数 2
1回答
我有以下代码，它在Keras中使用经过预先训练的ResNet50模型和imagenet DataSet：
from keras.applications.resnet50 import ResNet50
from keras.preprocessing import image
from keras.applications.resnet50 import preprocess_input, decode_predictions
import numpy as np
model = ResNet50(weights='imagenet')
print(model)
fine.
浏览 1提问于2019-03-06得票数 0
回答已采纳
1回答
我为这个新手的问题道歉，但我希望这里的人能给我指明正确的方向。
我想预测事件( X )发生的时间，因为我怀疑几个时间序列与X的时间相关。我的模型将接受完整的时间序列作为输入，并为事件X预测发生的时间输出一个值。请注意，我不是试图预测未来事件的时间，而是预测过去事件的时间。当使用该模型时，我将访问整个时间序列。下面简要介绍一下这些数据的外观：
📷
我的数据集包含许多示例，如上面的示例，即设置窗口中的几个时隙，以及事件发生的时间。
像LSTM模型这样的东西能被训练来完成这项任务吗？经过深入研究，LSTM和RNN模型看起来很适合预测时间序列中的下一个点，而不是像我所描述的那样输出事件的时间。
我能够
浏览 0提问于2020-09-04得票数 0
我试图创建一个模型，预测未来的股票数据使用13个数据功能。我使用的是TimeseriesGenerator，但是当我试图安装我的模型时，我收到了一个错误，上面写着：
ValueError:检查输入时出错:期望lstm_1_input具有形状(529，13)，但得到形状为(5，13)的数组
我的数据集有529行，我想用来训练它们来预测未来的5天。如能在这方面提供任何协助，将不胜感激。
# Part 1 - Data Preprocessing
# Importing the Libraries
import numpy as np
import matplotlib.pyplot as plt
浏览 1提问于2019-07-28得票数 0
回答已采纳
我会用一个非常简单的例子来解释这个问题，但我认为对于更广泛的情况，答案应该是成立的。
假设我想创建一个时间序列回归模型(模型本身与数据中的信息无关)来预测目标变量(sales)。
要做到这一点，我有历史数据，另外还有一个回归变量，我知道它解释了目标变量的一些可变性。(典型的例子是一些天气指标)
问题是，我只有数据，直到目前的一段时间，我感兴趣的预测时间提前两步。
，什么是将这些信息合并到模型中的最佳方法？
虚拟示例数据：
📷
我们的目标是预测t+2的销售额，我们假设天气与销售有一定程度的协方差。
可能采取的办法：
使用天气训练到t0，然后用另一个模型进行天气预报，然后用训练后的模型进行预报--
浏览 0提问于2022-04-13得票数 1
在使用Keras完成模型训练后，我正在尝试使用Keras的model.predict()，以便在新的输入上测试模型。 当我训练模型时，我用Scikit Learn的MinMaxScaler()对我的训练数据进行了标准化。 在使用model.predict()时，我是否也需要对数据进行标准化？如果是这样，我该怎么做呢？
浏览 69提问于2021-06-25得票数 0
回答已采纳
我在Keras中创建了一个文本分类器，我可以很好地在Cloud上训练Keras模型:该模型随后部署在Cloud上。但是，在传递文本进行分类时，它返回错误的分类:我强烈怀疑它没有使用我在创建keras分类器时使用的标记器/word索引，而是用于对新文本进行令牌化。
我不确定如何在训练时将tokeniser/word索引传递给Cloud :有一个以前的，但是
gcloud ml-engine jobs submit training
获取包含单词索引映射的泡菜或文本文件？如果是这样，我应该如何配置setup.py文件？
编辑：
所以，我使用Keras来记录输入文本，如下所示：
tokenizer
浏览 2提问于2017-09-08得票数 3
回答已采纳
1回答
对于我正在使用的数据集，我已经使用Keras训练并保存了一个h5py模型。现在，我必须将新数据添加到预先训练的模型中，并在训练集中使用这些新数据。但我不想重新训练整个数据集，因为训练和保存模型已经花了大约7个小时。目前有哪些方法可用于向已训练的模型中添加任何新数据？
我不想重新训练整个模型是因为我没有要添加的大型数据集。由于时间限制，我希望在不从头开始训练模型的情况下包含新数据。
如何添加这些新数据？
浏览 0提问于2018-10-12得票数 2
2回答
我用Keras创建了基本的神经网络。利用数据向量和相应的输出数据，即两个元素的向量，成功地对网络进行了训练。它表示一个坐标(x，y)。所以，在数组中，出现了一个数组。
问题是，我无法使用训练数据，其中一个输入向量应该对应于多个坐标。实际上，我想要一个坐标向量作为输出，而不需要事先知道坐标的数目。
网络是由
model = Sequential()
model.add(Dense(20, input_shape=(196608,)))
model.add(Dense(10))
model.add(Dense(2))
模型摘要显示了每个层的输出维数。
_______________________
浏览 4提问于2017-05-09得票数 6
回答已采纳
我想为cifar10数据集在keras中训练2个模型。首先是从头开始(model1)，其次是微调一个预先训练过的模型(model2)。我使用以下代码来做到这一点：
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D
from keras.layers import Activation, Dropout, Flatten, Dense
import numpy as np
import os
from keras.models import load_model
#model 1
浏览 0提问于2018-08-06得票数 2
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
因此，我尝试了https://keras.io/api/layers/activations/上列出的所有不同的激活函数。我确实可以很好地近似训练范围内的任何非线性函数，但是对于训练范围以外的任何数据，我都有一个模型，它仅限于线性函数。例如，我试图逼近窦性功能，在训练范围内取得了很好的效果，但在这个范围之外留下了一个线性函数。我使用了一个包含3个隐藏ReLU层(每层16个单元)的网络和一个仿射输出层。以下是训练范围内的良好近似：
📷
超出训练范围的预测：
📷
当试图逼近任何其他非线性函数时，也会添加相同的附加项。这是不幸的，因为你更希望你的模型能够很好地推广，而不是只在训练数据上表现出色:(当
浏览 0提问于2021-05-12得票数 4
我正在尝试训练一个具有多变量时间序列数据的LSTM自动编码器。数据的形状是： print(X_train.shape)
print(y_train.shape)
print(X_test.shape)
print(y_test.shape)
(160573, 4, 4)
(160573, 4)
(17838, 4, 4)
(17838, 4) 我想将单变量时间序列的模型转换为多变量时间序列的模型，但不知何故，我不知道该做什么更改： model = keras.Sequential()
model.add(keras.layers.LSTM(
units=64,
input
浏览 107提问于2020-08-19得票数 0
我是原型深入学习分割模型，需要六个通道的输入(两个对齐448x448 RGB图像在不同的照明条件)。我想比较几个预先训练过的模型和我现在的模型的性能，我从零开始训练。我可以在tf.keras.applications中使用预先训练的模型来输入多于3个通道的图像吗？
我尝试先应用卷积将信道维降为3，然后将输出传递给tf.keras.applications.DenseNet121()，但收到以下错误：
import tensorflow as tf
dense_input = tf.keras.layers.Input(shape=(448, 448, 6))
dense_filter = tf
浏览 0提问于2019-05-02得票数 3
回答已采纳
1回答
假设我有一个时间序列数据集，使用90%作为训练集，10%作为随机验证集。如何评估ARIMA模型的准确性？
我是否必须使用100%的完整数据集来拟合ARIMA模型，并使用auto.arima迭代地将其修改为使用forecast::Arima来预测验证集的训练集？
或
我是否必须使用训练集来迭代拟合ARIMA模型，并预测验证集、以及因此不同的模型，并且每次都不进行修改？
我一直认为，这是第一个，然而，我的模型是做奇怪的事情，当这样做时，使用傅立叶术语，以纳入多个季节性。
如果有人能帮我的话我会很感激的。
浏览 3提问于2019-11-01得票数 2
我试图找到正确的例子，使用LSTM自动编码器来定义时间序列数据中的异常，并看到了很多例子，其中LSTM自动编码器模型中有标签，这是特征序列未来的时间步骤(对于通常使用LSTM的时间序列预测)，但我认为这种模型应该使用与特征序列相同的标签(以前的时间步骤)来训练。
例如，搜索google中的第一个链接-
1.这个函数定义了获取标签(y特性)的方法。
def create_sequences(X, **y**, time_steps=TIME_STEPS):
Xs, ys = [], []
for i in range(len(X)-time_steps):
Xs
浏览 7提问于2020-11-23得票数 1
TensorFlow2.3引入了新的预处理层，如tf.keras.layers.experimental.preprocessing.Resizing。
然而，使用Keras在图像上进行训练的典型流程是使用tf.keras.preprocessing.image.ImageDataGenerator，它只能接受固定的target_size参数。据我所知，根本原因是keras在后台以numpy数组的形式处理图像，其中所有图像的大小必须相同(这是真的吗？)。
虽然我可以使用具有大小调整层的模型，该模型经过固定大小的训练，然后预测任意大小的图像，但这似乎是有风险的，因为训练数据和推理数据将具有系统差
浏览 0提问于2020-11-20得票数 0
我有分类问题，但和平时不一样。我必须为每输入3个时间步骤和10个特性提供3个输出(每个输出为0或1)。在这种类型的问题中使用了什么模型、架构或方法？
我是否通过分离观测来预测每一时间步骤？
我是否预测每个时间步骤和下一个时间步骤也使用前一个时间步骤？
我是否将输出单位设置为3，并通过训练模型来预测3个时间步骤的三个值？
浏览 0提问于2020-07-29得票数 0
2回答
我正在尝试使用LSTM对时间序列数据进行多类分类。
训练集具有维度( 390,179)，即390个对象，每个对象具有179个时间步长。
有37个可能的类。
我想使用一个只有LSTM和激活层的Keras模型来对输入数据进行分类。
在LSTM的每个步骤中，我还需要通过模型传递的所有训练数据和测试数据的隐藏状态(而不仅仅是最终状态)。
我知道return_sequences=True是必需的，但我在尺寸匹配方面遇到了麻烦。
下面是我尝试过的一些代码，但我已经尝试了大量来自stackexchange和git问题的其他调用组合。在所有这些模型中，我都会遇到一些尺寸不匹配的问题。
我不知道如何从模型中提取
浏览 31提问于2019-08-23得票数 1
回答已采纳
1回答
Keras为我提供了一种将深入学习模型与sklearn(sklearn的keras包装器)结合使用的方法，但我需要类似的东西----与不同。
我想要创建一个由几个已经训练过的滑雪板模型组成的集合，方法是将它们的输出输入到一个深度学习分类器的输入层(待训练)。
我能做到吗？
浏览 0提问于2019-08-15得票数 1
回答已采纳
1回答
训练神经网络会降低准确性
、、、、
我的最终目标是获得一个神经网络模型，它可以查看实时视频，并识别一个人是否拿着刀或其他工具，如叉子或汤匙。我尝试了几个在COCO数据集上预先训练的模型，并意识到像faster_RCNN这样的模型具有令人难以置信的高精度，但它们无法处理实时视频馈送，因为它们需要几秒钟才能做出每个预测。另一方面，像SSD_mobilenet这样的模型在实时视频方面做得很好，但在银器方面的准确性要低得多。 正因为如此，我想重新训练一个移动网络模型，以提高刀具的准确性，因此我创建了一个仅包含刀具的COCO数据集的子集。我使用了tensorflow教程中关于再培训模型的以下代码： import itertools
im
浏览 48提问于2020-10-27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
对象存储
即时通信 IM活动推荐
腾讯云开发者
