我尝试从TensorFlow重现LSTMCell生成的结果，以确保我知道它的作用。这是我的TensorFlow代码:num_units=3lstm=tf.nn.rnn_cell.LSTMCell(num_units=num_units)timesteps=7num_input=4X=tf.placeholder("float",[None,timesteps,num_input])x=tf.unstack(X,timesteps,1)outputs,states=tf.contrib.rnn.static_rnn(lstm,x,dtype=tf.float32)sess=tf.Sess
我尝试从TensorFlow重现LSTMCell生成的结果，以确保我知道它的作用。这是我的TensorFlow代码:num_units=3lstm=tf.nn.rnn_cell.LSTMCell(num_units=num_units)timesteps=7num_input=4X=tf.placeholder("float",[None,timesteps,num_input])x=tf.unstack(X,timesteps,1)outputs,states=tf.contrib.rnn.static_rnn(lstm,x,dtype=tf.float32)sess=tf.Sess
我有一个数据集X，它包含N=4000个样本，每个样本包含d=2个特征(连续值)，跨越t=10次步骤。在时间步11，我也有每个样本的相应“标签”，它们也是连续值。目前我的数据集的形状是X:[4000,20]，Y:[4000]。我想使用TensorFlow训练一个LSTM来预测Y的值(回归)，给定d特征的10个先前输入，但我很难在TensorFlow中实现这一点。我目前遇到的主要问题是了解TensorFlow如何期望输入被格式化。我见过各种例子，例如this，但这些示例处理一大串连续的时间序列数据。我的数据是不同的样本，每个样本都是独立的时间序列。 最佳答案
我有一个数据集X，它包含N=4000个样本，每个样本包含d=2个特征(连续值)，跨越t=10次步骤。在时间步11，我也有每个样本的相应“标签”，它们也是连续值。目前我的数据集的形状是X:[4000,20]，Y:[4000]。我想使用TensorFlow训练一个LSTM来预测Y的值(回归)，给定d特征的10个先前输入，但我很难在TensorFlow中实现这一点。我目前遇到的主要问题是了解TensorFlow如何期望输入被格式化。我见过各种例子，例如this，但这些示例处理一大串连续的时间序列数据。我的数据是不同的样本，每个样本都是独立的时间序列。 最佳答案
我的输入只是一个包含339732行和两列的csv文件:第一个是29个特征值，即X第二个是二进制标签值，即Y我正在尝试在堆叠LSTM模型上训练我的数据:data_dim=29timesteps=8num_classes=2model=Sequential()model.add(LSTM(30,return_sequences=True,input_shape=(timesteps,data_dim)))#returnsasequenceofvectorsofdimension30model.add(LSTM(30,return_sequences=True))#returnsaseque
我的输入只是一个包含339732行和两列的csv文件:第一个是29个特征值，即X第二个是二进制标签值，即Y我正在尝试在堆叠LSTM模型上训练我的数据:data_dim=29timesteps=8num_classes=2model=Sequential()model.add(LSTM(30,return_sequences=True,input_shape=(timesteps,data_dim)))#returnsasequenceofvectorsofdimension30model.add(LSTM(30,return_sequences=True))#returnsaseque
我一直试图理解https://www.tensorflow.org/tutorials/recurrent的示例代码您可以在https://github.com/tensorflow/models/blob/master/tutorials/rnn/ptb/ptb_word_lm.py找到(使用tensorflow1.3.0。)我总结了(我认为是)我的问题的关键部分，如下:size=200vocab_size=10000layers=2#input_.input_dataisa2Dtensor[batch_size,num_steps]of#wordids,from1to10000ce
我一直试图理解https://www.tensorflow.org/tutorials/recurrent的示例代码您可以在https://github.com/tensorflow/models/blob/master/tutorials/rnn/ptb/ptb_word_lm.py找到(使用tensorflow1.3.0。)我总结了(我认为是)我的问题的关键部分，如下:size=200vocab_size=10000layers=2#input_.input_dataisa2Dtensor[batch_size,num_steps]of#wordids,from1to10000ce
给定一个训练有素的LSTM模型，我想对单个时间步执行推理，即以下示例中的seq_length=1。在每个时间步之后，需要为下一个“批处理”记住内部LSTM(内存和隐藏)状态。在推理的最开始，在给定输入的情况下计算内部LSTM状态init_c,init_h。然后将它们存储在传递给LSTM的LSTMStateTuple对象中。在训练期间，每个时间步都会更新此状态。但是，对于推理，我希望state保存在批处理之间，即初始状态只需要在最开始时计算，之后LSTM状态应该在每个“批处理”之后保存(n=1)。我发现了这个相关的StackOverflow问题:Tensorflow,bestwaytos
给定一个训练有素的LSTM模型，我想对单个时间步执行推理，即以下示例中的seq_length=1。在每个时间步之后，需要为下一个“批处理”记住内部LSTM(内存和隐藏)状态。在推理的最开始，在给定输入的情况下计算内部LSTM状态init_c,init_h。然后将它们存储在传递给LSTM的LSTMStateTuple对象中。在训练期间，每个时间步都会更新此状态。但是，对于推理，我希望state保存在批处理之间，即初始状态只需要在最开始时计算，之后LSTM状态应该在每个“批处理”之后保存(n=1)。我发现了这个相关的StackOverflow问题:Tensorflow,bestwaytos
