我正在尝试使用deeplearning4j训练用于数字(音频)信号处理的RNN。这个想法是有2个.wav文件:一个是录音，第二个是相同的录音但经过处理(例如使用低通滤波器)。RNN的输入是第一个(未处理的)录音，输出是第二个(已处理的)录音。我使用了dl4j示例中的GravesLSTMCharModellingExample，并且主要调整了CharacterIterator类以接受音频数据而不是文本。我的第一个使用dl4j处理音频的项目基本上是做与GravesLSTMCharModellingExample相同的事情，但生成音频而不是文本，使用11025Hz8位单声道音频，这有效(一些
这更像是一个深度学习概念问题，如果这不是合适的平台，我会把它带到别处。我正在尝试使用KerasLSTM序列模型来学习文本序列并将它们映射到数值(回归问题)。问题是，学习总是在高损失(训练和测试)上收敛得太快。我已经尝试了所有可能的超参数，我感觉这是导致模型高偏差的局部最小值问题。我的问题基本上是:如何根据这个问题初始化权重和偏差？使用哪个优化器？我应该将网络扩展到多深(我担心如果我使用非常深的网络，训练时间将难以忍受并且模型方差会增长)我应该添加更多训练数据吗？输入和输出使用minmax归一化。我正在使用带动量的SGD，目前有3个LSTM层(126,256,128)和2个密集层(200
我想通过Yangetal.使用注意力机制的实现.我找到了使用此注意力机制的自定义层的有效实现here.而不是使用我的LSTM的输出值:my_lstm=LSTM(128,input_shape=(a,b),return_sequences=True)my_lstm=AttentionWithContext()(my_lstm)out=Dense(2,activation='softmax')(my_lstm)我想使用LSTM的隐藏状态:my_lstm=LSTM(128,input_shape=(a,b),return_state=True)my_lstm=AttentionWithCon
我正在使用keras1.0.1我正在尝试在LSTM之上添加一个注意力层。这是我目前所拥有的，但它不起作用。input_=Input(shape=(input_length,input_dim))lstm=GRU(self.HID_DIM,input_dim=input_dim,input_length=input_length,return_sequences=True)(input_)att=TimeDistributed(Dense(1)(lstm))att=Reshape((-1,input_length))(att)att=Activation(activation="soft
我的数据由4个不同的时间序列组成，例如:[35,45,47,39...][47,60,57,55...][42,42,61,69...][62,70,62,65...]事实是，除了时间依赖性(水平依赖性)之外，还存在垂直依赖性(在列中，如果我们看一下这个示例“矩阵”)。输出向量将是这些相同的时间序列，仅移动一步。是否可以为每个时间序列创建LSTM网络(因此，在我的例子中有4个网络，还有4个输出)，但也可以垂直连接它们，即创建2DLSTM？如果是这样，如何在Tensorflow中实现这一点？是否也可以使这种网络更深(将额外的LSTM层附加到这4个网络中的每一个)？我希望我的解释足够清楚。
给定X维度(m个样本，n个序列和k个特征)，以及y维度(m样本，0/1):假设我想训练一个有状态的LSTM(按照keras的定义，其中“stateful=True”意味着细胞状态不会在每个样本的序列之间重置——如果我错了请纠正我!)，状态应该是以每个时期或每个样本为基础进行重置？例子:foreinepoch:forminX.shape[0]:#foreachsampleforninX.shape[1]:#foreachsequence#train_on_batchformodel...#model.reset_states()(1)Ibelievethisis'stateful=Fal
似乎每当我运行ARIMA.fit()时，我总是从卡尔曼滤波器获得标准输出:##--Endpastedtext--RUNNINGTHEL-BFGS-BCODE***Machineprecision=2.220D-16N=1M=12Thisproblemisunconstrained.AtX00variablesareexactlyattheboundsAtiterate0f=5.60459D-01|projg|=2.22045D-08***Tit=totalnumberofiterationsTnf=totalnumberoffunctionevaluationsTnint=totaln
这个问题也作为githubissue存在。我想在Keras中构建一个包含二维卷积和LSTM层的神经网络。网络应该对MNIST进行分类。MNIST中的训练数据是60000张手写数字0到9的灰度图像。每张图像为28x28像素。我已将图像分成四个部分(左/右、上/下)并按四个顺序重新排列它们以获得LSTM的序列。|||1|2||image|->-------->4sequences:|1|2|3|4|,|4|3|2|1|,|1|3|2|4|,|4|2|3|1||||3|4|其中一个小子图像的尺寸为14x14。四个序列沿宽度堆叠在一起(宽度或高度无关紧要)。这将创建一个形状为[60000,4,
我得到了这种格式的一些数据和以下详细信息:person1,day1,feature1,feature2,...,featureN,labelperson1,day2,feature1,feature2,...,featureN,label...person1,dayN,feature1,feature2,...,featureN,labelperson2,day1,feature1,feature2,...,featureN,labelperson2,day2,feature1,feature2,...,featureN,label...person2,dayN,feature1,fe
我有多个输入时间序列，我想正确构建一个LSTM模型。我真的很困惑如何选择参数。我的代码:model.add(keras.layers.LSTM(hidden_nodes,input_shape=(window,num_features),consume_less="mem"))model.add(Dropout(0.2))model.add(keras.layers.Dense(num_features,activation='sigmoid'))optimizer=keras.optimizers.SGD(lr=learning_rate,decay=1e-6,momentum=0.
