如何使用时间分布层来预测动态长度的序列?蟒蛇 3.

Question

所以我正在尝试构建一个基于 LSTM 的自动编码器，我想将其用于时间序列数据。这些被吐到不同长度的序列。因此，模型的输入具有 [无、无、n_features]，其中第一个 None 代表样本数，第二个 None 代表序列的time_steps。序列由 LSTM 处理，参数 return_sequences = False，然后由函数 RepeatVector 重新创建编码维度，并再次通过 LSTM 运行。最后我想使用 TimeDistributed 层，但如何告诉 python time_steps维度是动态的呢？查看我的代码：

from keras import backend as K  
.... other dependencies .....
input_ae = Input(shape=(None, 2))  # shape: time_steps, n_features
LSTM1 = LSTM(units=128, return_sequences=False)(input_ae)
code = RepeatVector(n=K.shape(input_ae)[1])(LSTM1) # bottleneck layer
LSTM2 = LSTM(units=128, return_sequences=True)(code)
output = TimeDistributed(Dense(units=2))(LSTM2) # ???????  HOW TO ????
# no problem here so far: 
model = Model(input_ae, outputs=output) 
model.compile(optimizer='adam', loss='mse')

Answer 1

这个函数似乎可以解决问题

def repeat(x_inp):
x, inp = x_inp
x = tf.expand_dims(x, 1)
x = tf.repeat(x, [tf.shape(inp)[1]], axis=1)
return x

例

input_ae = Input(shape=(None, 2))
LSTM1 = LSTM(units=128, return_sequences=False)(input_ae)
code = Lambda(repeat)([LSTM1, input_ae])
LSTM2 = LSTM(units=128, return_sequences=True)(code)
output = TimeDistributed(Dense(units=2))(LSTM2)
model = Model(input_ae, output) 
model.compile(optimizer='adam', loss='mse')
X = np.random.uniform(0,1, (100,30,2))
model.fit(X, X, epochs=5)

我正在使用 tf.keras 和 TF 2.2