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
我正在创建一个多输入模型,其中我连接一个CNN模型和一个LSTM模型。lstm模型包含最后5个事件,CNN包含最后一个事件的图片。两者都被组织起来,使得numpy中的每个元素k与5个事件和相应的图片相匹配,输出标签也是如此,输出标签是应该由模型预测的“下一个”事件。
chanDim = -1
inputs = Input(shape=inputShape)
x = inputs
x = Dense(128)(x)
x = Activation("relu")(x)
x = BatchNormalization(axis=chanDim)(x)
x = Dropout(0.3)(
我是Keras的新手,刚刚开始做一些例子。我正在处理以下问题:我有4032个样本,并使用其中的650个样本作为拟合或基本训练状态,然后使用其余的样本来测试模型。问题是我一直收到以下错误:
Exception: In a stateful network, you should only pass inputs with a number of samples that can be divided by the batch size.
我理解为什么我会得到这个错误,我的问题是,如果我的数据大小不能被batch_size整除怎么办?我曾经使用过Deeplearning4j LSTM,并不需要处理
我最近写了一个LSTM模型来预测序列:
############### BUILD MODEL ###############
''' HERE WE ARE CREATING THE LSTM MODEL '''
model = Sequential()
model.add(LSTM(128, input_shape=(X.shape[1:]), activation='relu', return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(12