如何為LSTM重新構建輸入資料（Keras）

分步閱讀

對於初入門的開發人員來說，這可能是非常困難的事情為lstm模型準備序列資料。通常入門的開發者會在有關如何定義lstm模型的輸入層這件事情上感到困惑。還有關於如何將可能是1d或2d數字矩陣的序列資料轉換可以輸入到lstm輸入層所需的3d格式的困難。

在本文中，你將了解如何將輸入層定義為lstm模型，以及如何重新構建可以輸入到lstm模型的輸入資料。

1. 如何定義lstm的輸入層。

2. 如何重塑lstm模型的一維序列資料並定義輸入層。

3. 如何重塑lstm模型的多並行系列資料並定義輸入層。

教程概述

1. lstm輸入層。

2. 具有單輸入樣本的lstm示例。

3. 具有多個輸入特徵的lstm示例。

4. lstm輸入提示。

lstm輸入層

lstm輸入層是由神經網路第乙個隱藏層上的「input_shape」引數指定的。這可能會讓初學者感到困惑。例如，以下是具有乙個隱藏的lstm層和乙個密集輸出層組成的神經網路示例。

在這個例子中，我們可以看到lstm（）層必須指定輸入的形狀。而且每個lstm層的輸入必須是三維的。這輸入的三個維度是：

樣品。乙個序列是乙個樣本。批次由乙個或多個樣本組成。

時間步。乙個時間步代表樣本中的乙個觀察點。

特徵。乙個特徵是在乙個時間步長的觀察得到的。

這意味著輸入層在擬合模型時以及在做出**時，對資料的要求必須是3d陣列，即使陣列的特定維度僅包含單個值。

當定義lstm網路的輸入層時，網路假設你有乙個或多個樣本，並會給你指定時間步長和特徵數量。你可以通過修改「 input_shape 」的引數修改時間步長和特徵數量。例如，下面的模型定義了包含乙個或多個樣本，50個時間步長和2個特徵的輸入層。

具有單輸入樣本的lstm示例

考慮到你可能會有多個時間步驟和乙個特徵序列的情況，所以我們先從這種情況講起。例如，這是乙個包含10個數字的序列：

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

我們可以將這個數字序列定義為numpy陣列。

然後，我們可以使用numpy陣列中的reshape（）函式將這個一維陣列重構為三維陣列，每個時間步長為1個樣本，那麼我們需要10個時間步長和1個特徵。

在陣列上呼叫的reshape（）函式需要乙個引數，它是定義陣列新形狀的元組。我們不能干涉資料的重塑，重塑必須均勻地重組陣列中的資料。

一旦重塑，我們可以列印陣列的新形狀。

完整的例子如下：

執行示例列印單個樣本的新3d形狀：

該資料現在可以為input_shape（10，1）的lstm的輸入（x）。

具有多個輸入功能的lstm示例

你的模型可能有多個並行資料作為輸入的情況，接下來我們來看看這種情況。

例如，這可以是兩個並行的10個值：

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

我們可以將這些資料定義為具有10行的2列的矩陣：

該資料可以被設定為1個樣本，具有10個時間步長和2個特徵。

它可以重新整形為3d陣列，如下所示：

完整的例子如下：

執行示例列印單個樣本的新3d形狀。

(1, 10, 2)

該資料現在可以為input_shape（10,2）作為lstm的輸入（x）使用。