keras
- input_shape是为了适应时间序列预测:输入m个序列,输出1个序列,所以才是三维。
input_shape的三个维度samples, time_steps, features
features: 是一个原始样本的特征维数, 对你的样本 6
time_steps: 是输入时间序列的长度,即用多少个连续样本预测一个输出。如果你希望用连续m个序列(每个序列即是一个原始样本),那么就应该设为m。当然,特殊情况是m=1
samples:经过格式化后的样本数。假设原始样本(3000*6), 你选择features=6, time_steps=m,则samples=3000/m
无论你如何设置time_steps需要注意,原始样本集合是二维向量, 但网络的输入的样本集必须是三维张量(单个样本是二维向量)
一个例子
原始样本集 (3000, 6):
[[1,1,1,1,1,1] * 3000]
处理后(3000, 1, 6)
[
[[1,1,1,1,1,1]] * 3000
]
- model.layers[0].input.shape.as_list()[1]
model.layers[0] 获取层形状
x=tf.constant([[1,2,3],[4,5,6]])
x.get_shape().as_list()[0] #输出:行数
x.get_shape().as_list()[1] #输出:列数
lines = open(" “).read().splitlines() 将文档内的数据逐行读取,作为列表元素
lines.split(”,")[4])每一行,以空格为分隔符,分为四等分。