我有31个输入，32个输出，N个数据样本的时间序列回归问题。
我的原始X_train形状是(N,31)，Y_train形状是(N,32)。当我使用超参数调整时，它显示ValueError:层lstm_1的输入0与层不兼容:期望的ndim=3，发现ndim=2。接收的完整形状：(无，20)。
浏览 8提问于2021-04-25得票数 1
1回答
我按照LSTM教程创建了一个TensorFlow模型。然而，在这个过程中，我对“批量”和“时间步长”之间的区别变得越来越困惑，我希望能帮助澄清这一问题。教程代码(见下文)本质上是根据指定的步骤数创建“批处理”： for time_step in range(num_steps):
浏览 22提问于2017-02-03得票数 2
回答已采纳
1回答
我正在研究LSTM模型。在Keras中实现LSTM时，可以设置内存单元的数量，如示例代码中所示，而与时间步长无关。但是，典型的LSTM图像与时间步长和存储单元的数量1: 1对应。正确答案是什么？
浏览 10提问于2020-05-09得票数 0
队员们，
我想知道有没有人找到了在Keras中创建LSTM网络的好文档(对于哑巴:-)？特别是关于输入、层和输出的预期大小。
浏览 1提问于2017-05-15得票数 0
我正在尝试理解LSTM模型是如何工作的，特别是在keras的LSTM层中return_sequences参数的使用。作为一个简单的例子，参考下面的代码，我有点理解LSTM(1)“为输入序列输出一个具有3个时间步长的隐藏状态”，LSTM(1, return_sequences=True)“返回一个3个值的序列，每个输入时间步长一个隐藏状态输出然而，我对此的理解是，根据递归网络的功能，LSTM(1)的单个输出与每个<em
浏览 14提问于2021-02-17得票数 0
回答已采纳
我最近开始使用LSTM，到目前为止一切都很好。但是有一个问题，我还没有找到答案:当比单元有更多的时间步数时，LSTM层中的过程是怎样的呢？model <- keras_model_sequential() %>%
layer_lstm(units = 30, input_shape = c(timesteps = 60
浏览 0提问于2019-06-17得票数 1
回答已采纳
1回答
使用Keras，我想训练一个RNN (带有一个LSTM信元)在一批大小N上，每一个时间步骤都有K个时间步长和一个L大小的向量(解码器输出是L大小的一个向量)。可悲的是，我很难让它在不同的时间步数下工作，例如，对于不同的K。我发现填充是单变量时间序列的一个解，但是对于L大小的每一个时间步长，我都有L>>1的向量。此外，(1)中的形状不适合，尽管我使用了：
model.add(LSTM(50，input_shape=(N，No
浏览 0提问于2018-03-22得票数 2
回答已采纳
4回答
...model = Sequential()model.add(LSTM我需要能够在LSTM层之后的样本中取所有时间步长的向量的均值或最大值，然后才能将该均值或最大值向量提供给Keras中的致密层。使用return_sequences=True，我可以获得样本中LSTM层之后所有时间步长的向量。然而，GlobalAve
浏览 4提问于2016-09-15得票数 8
我使用Keras (Tensorflow后端)来拟合时间序列模型。这是我的模型：model.add(LSTM(LSTM_nums, input_shape=(timestep,data_dim)))model.fit(trainX, trainY, epochs=100, batch_size=1, verbose=2)
我想知道是否存在用给定的时间<
浏览 0提问于2017-11-12得票数 0
1回答
我正在训练LSTM/GRUs的时间序列数据。
我的输入数据的形状是( 5000 , 12 )，即5000个时间步长，每个时间步长有12个维度。当我尝试对这些数据运行LSTM时，一次执行每个时间步长(dim: 12)；这意味着我正在展开LSTM 5000次，并且我无法在笔记本电脑上训练网络，因为它超过了16 as内存。我能想到的一个解决方案是，比如说，我可以组合10个时间步长</em
浏览 1提问于2017-07-05得票数 0
我想对我的数据应用CNN和LSTM，我只选择了一小部分数据；我的训练数据的大小是(400,50)，我的测试数据是(200,50)。在只有CNN模型的情况下，它没有任何错误，只是在添加LSTM模型时有很多错误：model.add(Conv1D(filters=8,__________________________________________________
浏览 14提问于2017-08-09得票数 3
回答已采纳
1回答
在Keras的LSTM实现中的默认模式(有状态=假)中，批处理中的所有样本都是独立的，状态不会从一个样本传播到下一个样本。根据我的理解，输入序列长度(L)是保持LSTM状态的唯一方法。但从理论上讲，这种操作方式与具有固定大小滑动输入窗口的前馈神经网络相比，将状态传播限制在固定的时间步长上。因此，神经网络的每个输入都是L个连续输入值的向量。理论上，LSTM应该能够学习跨越1000个时间步骤的长期依赖关系。但是，这不需要L= 1000，因为没有办法捕获比输
浏览 1提问于2017-05-26得票数 6
1回答
众所周知，RNN或LSTM将以前的时间戳数据保存为“内存”，以便可以记住短期或长期依赖项。
model.add(LSTM(10))
model.add(Dense(2))
浏览 0提问于2023-01-26得票数 0
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)。关于时间步长，RNN仅由一个单元(LSTM或GRU单元，或其他单元)组成，并且该单元是连续的。我们可以通过展开序列概念来理解它。那么为什么我们这里有时间步长呢？结合我对上述“批处理大小”的理解，我更加困惑。我们给单元格输入一个字还是多个字(批量大小)？
浏览 1提问于2017-06-06得票数 16
3回答
如何将输入维度转换为Keras中LSTM层的输出维度？通过阅读Colah的，似乎"timesteps" (AKA，input_dim或input_shape中的第一个值)的数量应该等于神经元的数量，而神经元的数量应该等于这个units层的输出数( LSTM令我困惑的是，Keras如何将输入插入到每个LSTM“智能神经元”中。令我困惑的示例代码：model.add(LSTM(32, input_shape=(10, 64)))
model.add(Dense(2
浏览 0提问于2018-04-18得票数 6
回答已采纳
我使用MLP来预测时间序列，我实现了一个包含掩码层的代码，让模型跳过掩码值。model.add(Dense(1024, activation='relu'))我读过一个，它说不可能让掩蔽与MLP
浏览 8提问于2022-08-11得票数 0
回答已采纳
1回答
我正在学习使用LSTM模型进行时间序列预测。我找到了一个很好的教程，我正在尝试堆叠LSTM来解决“多并行输入和多步输出”部分中的问题。数据集如下：20 25 4540 45 8560 65 12580 85 165任务是使用三个时间序列中每个时间序列的最后三个时间步长作为模型的输入，并预测三个时间序列中每个时间序列的下一个<
浏览 9提问于2019-02-06得票数 0
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
云服务器
ICP备案
云直播
对象存储
实时音视频
腾讯云开发者
