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
p_input的形状thisLSTMAutoencoder对于"test.py"是(128,8,1)；意思是128组8位数字。我正在尝试使用4组25,000个时间步长(基本上是0秒到25,000秒)使该模型适应基于时间序列的数据。我尝试将此数据集输入到形状为(4,25000,1)的p_input中，但没有出现任何错误。但是，当我运行脚本时，没有得到iter1:0.01727,iter2:0.00983,...我没有从脚本中得到任何打印的反馈，所以我假设有什么东西阻碍了脚本。我还尝试将batch_num更改为4并将step_num更改为25,000直接添加到未经编辑的“test.py”文
我想知道如何在Keras中使用批量归一化(BN)实现biLSTM。我知道BN层应该介于线性和非线性之间，即激活。这很容易用CNN或Dense层实现。但是，如何使用biLSTM做到这一点？提前致谢。 最佳答案 如果你想对LSTM的线性输出应用BatchNormalization，你可以这样做fromkeras.modelsimportSequentialfromkeras.layers.recurrentimportLSTMfromkeras.layers.wrappersimportBidirectionalfromkeras.la
我有一个来自多个用户(nUsers)的数据集。每个用户在时间上随机采样(每个用户的nSamples是非常数)。每个样本都有许多特征(nFeatures)。例如:nUsers=3--->3个用户nSamples=[32,52,21]--->第一个用户被采样了32次，第二个用户被采样了52次等等。nFeatures=10--->每个样本的特征数量不变。我希望LSTM根据当前特征和同一用户的先前预测生成当前预测。我可以使用LSTM层在Keras中做到这一点吗？我有两个问题:每个用户的数据都有一个不同的时间序列。我该如何整合它？如何处理将先前的预测添加到当前时间特征空间以进行当前预测？感谢您的
我正在尝试解决时间序列预测问题。我尝试了ANN和LSTM，尝试了很多不同的参数，但我所能得到的只是比持久性预测好8%。所以我想知道:既然你可以在keras中保存模型；是否有任何用于时间序列预测的预训练模型(LSTM、RNN或任何其他ANN)？如果是这样，我如何获得它们？Keras里有吗？我的意思是，如果有一个包含预训练模型的网站，那将非常有用，这样人们就不必花太多时间来训练它们。同理，另一个问题:是否可以执行以下操作？1.假设我现在有一个数据集，我用它来训练我的模型。假设一个月后，我将可以访问另一个数据集(对应于相同数据或类似数据，将来可能，但不限于此)。到时候还能继续训练模型吗？这与
我正在尝试在CNTK中(使用Python)实现LSTM来对序列进行分类。输入:特征是固定长度的数字序列(时间序列)标签是单热值的向量网络:input=input_variable(input_dim)label=input_variable(num_output_classes)h=Recurrence(LSTM(lstm_dim))(input)final_output=C.sequence.last(h)z=Dense(num_output_classes)(final_output)loss=C.cross_entropy_with_softmax(z,label)输出:序列与标
我正在尝试多类分类，这里是我的训练输入和输出的详细信息:train_input.shape=(1,95000,360)(95000lengthinputarraywitheachelementbeinganarrayof360length)train_output.shape=(1,95000,22)(22Classesarethere)model=Sequential()model.add(LSTM(22,input_shape=(1,95000,360)))model.add(Dense(22,activation='softmax'))model.compile(loss='ca
灵感来自thisarticle，我正在尝试构建一个条件GAN，它将使用LSTM生成MNIST数字。我希望我使用的架构与下图相同(鉴别器中的双向RNN除外，取自thispaper):当我运行这个模型时，我得到了非常奇怪的结果。这张图片显示了我的模型在每个纪元之后生成数字3。它应该看起来更像this.真的很糟糕。我的鉴别器网络的损失非常快地减少到接近于零。但是，我的生成器网络的损失围绕某个固定点振荡(可能发散缓慢)。我真的不知道发生了什么。这是我的代码中最重要的部分(完整代码here):timesteps=28X_dim=28Z_dim=100y_dim=10X=tf.placeholde
关闭。这个问题需要更多focused.它目前不接受答案。想改进这个问题吗？更新问题，使其只关注一个问题editingthispost.关闭3年前。Improvethisquestion我目前正在使用LSTM层训练用于天气预报的递归神经网络。网络本身非常简单，大致如下所示:model=Sequential()model.add(LSTM(hidden_neurons,input_shape=(time_steps,feature_count),return_sequences=False))model.add(Dense(feature_count))model.add(Activati
