1回答
我正在研究一个回归模型，它每小时有50个数据点。我很难决定批量大小和时间步长之间的差异。根据我的理解，批处理大小是用来决定在做出预测之前我们要考虑多少个数据点。该值越大，模型收敛所需的时间越长。如果是这种情况，我很清楚批量大小的定义。因此，如果我的模型不需要很长时间<
浏览 59提问于2021-09-16得票数 0
回答已采纳
在tensorflow的dynamic_rnn函数中，我对输出形状感到惊讶，我希望有人能帮助我提高对RNN cell的理解。)和110是批量大小；并且该单元被定义为，其中hidden_dim =6outputs, states = rnn.dynamic_rnn
浏览 5提问于2016-12-30得票数 0
在Tensorflow的RNN教程中：。它提到了两个参数:批量大小和时间步长。我被这些概念搞糊涂了。在我看来，RNN引入批处理是因为训练序列可能很长，以至于反向传播无法计算那么长的(爆炸/消失梯度)。因此，我们将长的待训练序列划分为较短的序列，每个序列都是一个小批量，其大小称为“批大小”。我说对了吗？
关于时间
浏览 1提问于2017-06-06得票数 16
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。model = tf.keras.Model(inputs=inputs, outputs=outputs, name="test_model")
浏览 0提问于2021-01-24得票数 0
1回答
给定一个基本位图s和一组可能的吸尘器位图( s1，.，sN )，我如何训练一个TensorFlow图来计算这些吸尘器上的概率分布？每个位图sK都可以由同一网络作为一个单一输入处理，给出一个表示它的可能性的实值，然后通过一个softmax层进行映射，给出一个概率分布。但是，手工执行此操作将不允许使用反向传播和实现优化器，甚至不能保证它将接受变量长度输入和输出。
这有可能吗？输入和输出张量似乎必须在批处
浏览 3提问于2016-08-21得票数 0
tf.nn中有几个与RNN相关的类。在我在网上找到的例子中，tf.nn.dynamic_rnn和tf.nn.rnn似乎可以互换使用，或者至少我不明白为什么要用其中一个来代替另一个。有什么关系？
浏览 5提问于2016-09-28得票数 32
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): tf.keras.layers.Embeddingbatch_input_shape=[
浏览 18提问于2020-10-31得票数 1
回答已采纳
1回答
根据链接：
我目前正在调试我的RNN模型，因为它似乎将不同的问题分类在同一个类别中，这是很奇怪的。我怀疑这可能与我没
浏览 3提问于2019-05-15得票数 1
回答已采纳
这是此问题的副本
我希望在时间步长T传递RNN的输出作为时间步长T+1的输入。input_RNN(T+1) = output_RNN(T)根据文档，tf.nn.rnn以及tf.nn.dynamic_rnn函数显式地接受所有时间步长的完整输入。我在上检查了单元格示例，它使用一个循环并调用seq2seq (inpu
浏览 4提问于2016-09-25得票数 13
1回答
我正试图预测一维行波(正方形、三角形和锯齿形)的未来状态，使用Keras的深度学习设置。波在1024个数据点中被离散化。由于这为RNN提供了相当高的输入维数，所以使用卷积自编码装置将1024输入降为10维的低维潜伏空间。给出了RNN的5个前一时间步长的潜在输入来预测下一时间步长。我分别训练了自动编码器和
浏览 0提问于2018-12-10得票数 1
使用RapidMiner，我想实现一个LSTM来对时间序列中的模式进行分类。输入数据是平面表。我在Keras运算符中的第一层是从exampleset_length x nr_of_attributes到batch x time-steps x特征的核心重塑。在重塑参数中，我特别输入了三位数，因为我想要特定数量的特征和时间步长。实现这一点的唯一方法是还指定批量大小，因此总共为三位数。
浏览 1提问于2018-04-15得票数 1
我目前正在学习如何使用Tensorflow，我在实现Softmax回归应用程序时遇到了一些问题。import input_dataimport random as ran
import tensorflow
浏览 0提问于2019-02-20得票数 0
1回答
我正在尝试使用基于LSTM的RNN构建一个用于二进制分类的深度学习网络。score = model.evaluate(test_spec, y_test, batch_size=2000)1,15,70,39,-970,947321
浏览 11提问于2018-01-27得票数 3
3回答
我有一个时间序列数据集，我使用它作为LSTM的输入，用于行动预期。时间序列包括在30 fps时的5秒时间(即150个数据点)，该数据代表面部特征的位置/移动。我从我的数据集中取样更小长度的附加子序列，以增加数据集中的冗余并减少过度拟合。在这种情况下，我知道子序列的开始和结束框架。为了对模型进行批量训练，所有的时间序列都
浏览 10提问于2017-05-23得票数 13
回答已采纳
2回答
正当我认为我已经说服自己，RNN除了在输入之间存在依赖关系之外，没有其他其他假设，而过去(在单向RNN的情况下)影响了现在，古德费罗、本吉奥和库维尔(2016)对我提出了这样的看法：
递归网络中使用的参数共享依赖于这样一个假设，即相同的参数可以用于不同的时间步长。等价地，假设变量在t+1时刻的条件概率分布给出了时间t上的变量是平
浏览 0提问于2021-03-19得票数 3
2回答
我已经开始读深度学习书了，我很难理解RNN的优点。这部分让我感到困惑：不管序列长度如何，所学习的模型总是具有相同的输入大小，因为它是根据从一种状态到另一种状态的转换来指定的，而不是以可变长度的状态历史来指定的。在每个时间步长上都可以使用相同参数的相同的转移函数f。
这两个因
浏览 0提问于2018-05-25得票数 5
回答已采纳
1回答
我有一个名为"data.csv“的CSV文件。它有五列T，A，B，C和D
对于(A，B，C)的每个元组，我的文件中有七个数据条目，对应于时间T的七个不同实例。我希望在时间序列T上对每个元组(A、B、C)执行线性回归，以便使用scikit-learn库预测下一个时间实例的数据D。选择数据并进行回归的最有效方法是什么？CSV文件的大
浏览 2提问于2016-10-26得票数 1
回答已采纳
转换器解码器接收两个输入，编码器的输出和目标序列。本回答提供了如何将目标输入解码器的方法。如果有人能帮我澄清这件事会很有帮助的。
浏览 0提问于2020-09-15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
腾讯会议
云直播
对象存储活动推荐
腾讯云开发者
