我正在尝试预测2D坐标序列。但我不仅想要最可能的未来路径，还希望所有最可能的路径在网格地图中可视化它。 为此，我有由 40000 个序列组成的编辑数据。每个序列由 10 个 2D 坐标对作为输入和 6 个 2D 坐标对作为标签组成。 所有坐标都在固定值范围内。 预测所有可能路径的第一步是什么？为了获得所有可能的路径，我最终必须应用一个softmax，网格中的每个单元格都是一个类，对吗？但是如何处理数据以反映这种网格状结构呢？有什么想法吗？
softmax激活恐怕不会起作用;如果你有无限数量的组合，甚至是有限数量的组合，这些组合还没有出现在你的数据中，就没有办法把它变成一个多类分类问题(或者如果你这样做，你会失去普遍性)。
我能想到的唯一方法是使用变分编码的循环模型。首先，您有很多带注释的数据，这是个好消息;一个由序列X(10,2，)馈送的循环网络肯定能够预测序列Y(6,2，)。但是，由于您不仅想要一个序列，而且想要所有可能的序列，因此这是不够的。你在这里的隐含假设是，在你的序列后面隐藏着一些概率空间，这会影响它们随着时间的推移如何发挥作用;因此，要正确建模序列，您需要对该潜在概率空间进行建模。变分自动编码器(VAE)就是这样做的;它学习潜在空间，因此在推理过程中，输出预测取决于对该潜在空间的采样。然后，对同一输入的多个预测可以产生不同的输出，这意味着您最终可以对预测进行采样，以根据经验近似潜在输出的分布。
不幸的是，VAEs无法在堆栈溢出的一个段落中真正解释，即使他们可以，我也不会是最有资格尝试它的人。尝试在网上搜索LSTM-VAE，并耐心地武装自己;您可能需要做一些学习，但这绝对值得。研究一下 Pyro 或 Edward 也可能是个好主意，它们是 python 的概率网络库，比 Keras 更适合手头的任务。