如何为LSTM重新构建输入数据（Keras）

转自：https://jingyan.baidu.com/article/6b97984dd640b01ca2b0bf95.html

如何为LSTM重新构建输入数据（Keras）

• 浏览：0
• |
• 更新：2017-09-07 12:07

• 1
• 2
• 3
• 4
• 5
• 6
• 7

分步阅读

    对于初入门的开发人员来说，这可能是非常困难的事情为LSTM模型准备序列数据。通常入门的开发者会在有关如何定义LSTM模型的输入层这件事情上感到困惑。还有关于如何将可能是1D或2D数字矩阵的序列数据转换可以输入到LSTM输入层所需的3D格式的困难。

  在本文中，你将了解如何将输入层定义为LSTM模型，以及如何重新构建可以输入到LSTM模型的输入数据。

       看完本文后，你将知道：

1. 如何定义LSTM的输入层。

2. 如何重塑LSTM模型的一维序列数据并定义输入层。

3. 如何重塑LSTM模型的多并行系列数据并定义输入层。

工具/原料

• Keras

方法/步骤

1. 1

   教程概述

          本文分为4部分：

   1. LSTM输入层。

   2. 具有单输入样本的LSTM示例。

   3. 具有多个输入特征的LSTM示例。

   4. LSTM输入提示。

2. 2

   LSTM输入层

          LSTM输入层是由神经网络第一个隐藏层上的“input_shape”参数指定的。这可能会让初学者感到困惑。例如，以下是具有一个隐藏的LSTM层和一个密集输出层组成的神经网络示例。

   
3.     在这个例子中，我们可以看到LSTM（）层必须指定输入的形状。而且每个LSTM层的输入必须是三维的。这输入的三个维度是：

   样品。一个序列是一个样本。批次由一个或多个样本组成。

   时间步。一个时间步代表样本中的一个观察点。

   特征。一个特征是在一个时间步长的观察得到的。

          这意味着输入层在拟合模型时以及在做出预测时，对数据的要求必须是3D数组，即使数组的特定维度仅包含单个值。

          当定义LSTM网络的输入层时，网络假设你有一个或多个样本，并会给你指定时间步长和特征数量。你可以通过修改“ input_shape ”的参数修改时间步长和特征数量。例如，下面的模型定义了包含一个或多个样本，50个时间步长和2个特征的输入层。

   
4. 具有单输入样本的LSTM示例

          考虑到你可能会有多个时间步骤和一个特征序列的情况，所以我们先从这种情况讲起。例如，这是一个包含10个数字的序列：

   0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0

          我们可以将这个数字序列定义为NumPy数组。

   
5. 然后，我们可以使用NumPy数组中的reshape（）函数将这个一维数组重构为三维数组，每个时间步长为1个样本，那么我们需要10个时间步长和1个特征。

          在数组上调用的reshape（）函数需要一个参数，它是定义数组新形状的元组。我们不能干涉数据的重塑，重塑必须均匀地重组数组中的数据。

   
6.        一旦重塑，我们可以打印阵列的新形状。

   
7.        完整的例子如下：

   
8.        运行示例打印单个样本的新3D形状：

   
9.        该数据现在可以为input_shape（10，1）的LSTM的输入（X）。

   
10. 具有多个输入功能的LSTM示例

           你的模型可能有多个并行数据作为输入的情况，接下来我们来看看这种情况。

           例如，这可以是两个并行的10个值：

    series 1: 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0

    series 2: 1.0, 0.9, 0.8, 0.7, 0.6, 0.5, 0.4, 0.3, 0.2, 0.1

           我们可以将这些数据定义为具有10行的2列的矩阵：

    
11. 该数据可以被设置为1个样本，具有10个时间步长和2个特征。

           它可以重新整形为3D阵列，如下所示：

    
12.        完整的例子如下：

    
13. 13

      运行示例打印单个样本的新3D形状。

    (1, 10, 2)

           该数据现在可以为input_shape（10,2）作为LSTM的输入（X）使用。

    
14.