如何在Keras中构建一个递归神经网络，其中每个输入首先通过一个层？-Java 学习之路

我正在尝试在Keras中构建一个看起来像这样的神经网络：

enter image description here

其中x_1，x_2，...是经历相同变换f的输入向量 . f本身就是一个必须学习参数的层 . 序列长度n在实例之间是可变的 .

我在这里理解两件事情有困难：

What should the input look like?
我知道这对我有帮助吗？
How do I pass each input vector through the same transformation before feeding it to the RNN layer?
有没有办法扩展例如GRU，以便在通过实际的GRU单元之前添加f层？

1 回答

我不是专家，但我希望这有帮助 .

Question 1:

向量x1，x2 ... xn可以有不同的形状，但我不确定x1的实例是否可以有不同的形状 . 当我有不同的形状时，我通常用0来填充短序列 .

Question 2:

我不确定扩展GRU，但我会做这样的事情：

x_dims = [50, 40, 30, 20, 10]
n = 5


def network():

    shared_f = Conv1D(5, 3, activation='relu')
    shated_LSTM = LSTM(10)

    inputs = []
    to_concat = []
    for i in range(n):
        x_i = Input(shape=(x_dims[i], 1), name='x_' + str(i))
        inputs.append(x_i)
        step1 = shared_f(x_i)
        to_concat.append(shated_LSTM(step1))

    merged = concatenate(to_concat)

    final = Dense(2, activation='softmax')(merged)

    model = Model(inputs=inputs, outputs=[final])
    # model = Model(inputs=[sequence], outputs=[part1])

    model.compile(loss='mse', optimizer='adam', metrics=['accuracy'])

    return model

m = network()

在这个例子中，我使用Conv1D作为共享 f 转换，但你可以使用其他东西（嵌入等） .

回复于 2024-05-05T06:05:00+08:00

如何在Keras中构建一个递归神经网络，其中每个输入首先通过一个层？

1 回答

相关问题