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
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.
(我正在测试自己写出简短但有效的问题的能力，所以让我知道我在这里是怎么做的)我正在尝试训练/测试TensorFlow循环神经网络，特别是LSTM，使用以下ndarray格式的时间序列数据进行一些试验:[[[time_step_trial_0,feature,feature,...][time_step_trial_0,feature,feature,...]][[time_step_trial_1,feature,feature,...][time_step_trial_1,feature,feature,...]][[time_step_trial_2,feature,feature
这个问题在这里已经有了答案:HowtoaddattentionlayertoaBi-LSTM(2个答案)关闭2年前。使用以下代码:model=Sequential()num_features=data.shape[2]num_samples=data.shape[1]model.add(LSTM(16,batch_input_shape=(None,num_samples,num_features),return_sequences=True,activation='tanh'))model.add(PReLU())model.add(Dropout(0.5))model.add(LS
我有一个包含全年数据的时间序列数据集(日期是索引)。每15分钟(全年)测量一次数据，这导致每天有96个时间步长。数据已经标准化。变量是相关的。除VAR外的所有变量都是天气指标。VAR在一天和一周内是季节性的(因为它在周末看起来有点不同，但每个周末都差不多)。VAR值是固定的。我想预测接下来两天(提前192步)和接下来7天(提前672步)的VAR值。这是数据集的样本:DateIdxVARdewpthumpresstemp2017-04-1700:00:000.3693970.1550390.3867920.1967210.2388892017-04-1700:15:000.3632140
我正在尝试使用keras训练LSTM模型，但我想我在这里出错了。我得到了一个错误ValueError:Errorwhencheckinginput:expectedlstm_17_inputtohave3dimensions,butgotarraywithshape(10000,0,20)虽然我的代码看起来像model=Sequential()model.add(LSTM(256,activation="relu",dropout=0.25,recurrent_dropout=0.25,input_shape=(None,20,64)))model.add(Dense(1,activa
