我正在执行多变量时间序列分析。我打算使用不同的批量大小和超参数多次运行此网络。因此,到目前为止,我一直保持一般情况并假设
B := Number of batches
T := Number of timesteps per batch
N := Number of features per timestep
我的最终目标是在一个批次上调用 model.predict(当然,这还没有用于训练(。因此它看起来像这样
prediction = model.predict(unknown)
unknown.shape = (T, N)
prediction.shape = (N,)
我一直在尝试大量的网络。
我无法让它工作
model.add(LSTM(N, input_shape=(T, N), return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(N, input_shape=(T, N), return_sequences=False))
model.add(Dense(N))
但是,我可以让它工作
model.add(LSTM(N, input_shape=(T, N), return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(N, input_shape=(T, N), return_sequences=True)) # True here
model.add(Dense(N))
如果输出包含最后一个时间步长,即我正在寻找的 f(t+1(,return_sequences=True 有什么问题?我想什么都没有,但这并不能解决根本问题,即我不完全了解如何构建这些网络。就像我说的,我想在开始实验之前尽可能保持一般性并深入了解网络。
我将对 B、T 和 N 进行非常不同的值的实验,看看哪个效果最好。
我试图阅读文档之类的东西,但我非常困住并感到沮丧,所以我想我会转向社区。
希望以下代码有所帮助 例如,如果每层中的节点数为 150
model.add(LSTM(150, return_sequences=True,input_shape=(T,N)))
model.add(LSTM(150))
model.add(Dense(1))
并在代码的第二个 lstm 中删除 input_shape=(T, N(。您已指定它需要 2D 数组 (T,N(,但第一个 LSTM 提供了一个由 (1,T,N( 组成的 3D 数组
无需在第二个循环层中指定input_shape
参数。当循环层是网络中的第一层时,明确需要此参数,否则则不需要。
如果您希望在每个循环层指定输入批处理形状,请记住设置参数stateful = True
以使 LSTM 有状态(并且仅在网络的第一层使用此参数(。