我想知道如何使用here描述的嵌入层将我的输入数据从2D张量屏蔽为RNN的3D张量 .
说我的时间序列数据如下(随着时间的增加):
X_train = [
[1.0,2.0,3.0,4.0],
[2.0,5.0,6.0,7.0],
[3.0,8.0,9.0,10.0],
[4.0,11.0,12.0,13.0],
...
] # with a length of 1000
现在,假设我想给RNN最后2个特征向量,以便预测时间t 1的特征向量 .
目前(没有嵌入层),我自己创建了所需的3D张量(nb_samples,timesteps,input_dim)(如本例所示here) .
与我的例子相关,最终的3D Tensor看起来如下:
X_train_2 = [
[[1.0,2.0,3.0,4.0],
[2.0,5.0,6.0,7.0]],
[[2.0,5.0,6.0,7.0],
[3.0,8.0,9.0,10.0]],
[[3.0,8.0,9.0,10.0],
[4.0,11.0,12.0,13.0]],
etc...
]
和Y_train:
Y_train = [
[3.0,8.0,9.0,10.0],
[4.0,11.0,12.0,13.0],
etc...
]
我的模型如下(适用于上面的简化示例):
num_of_vectors = 2
vect_dimension = 4
model = Sequential()
model.add(SimpleRNN(hidden_neurons, return_sequences=False, input_shape=(num_of_vectors, vect_dimension)))
model.add(Dense(vect_dimension))
model.add(Activation("linear"))
model.compile(loss="mean_squared_error", optimizer="rmsprop")
model.fit(X_train, Y_train, batch_size=50, nb_epoch=10, validation_split=0.15)
最后,我的问题是,我怎么能避免那些2D张量到3D张量重塑我自己并使用嵌入层呢?我想在model = sequential()之后,我将不得不添加如下内容:
model.add(Embedding(?????))
可能答案很简单,我只是对嵌入层的文档感到困惑 .
2 回答
你可以这样:
注意:
我生成了一些X和y作为0,只是为了让你对输入结构有所了解 .
如果您正在使用多类y_train,则需要进行二值化 .
如果您有不同长度的数据,则可能需要添加填充 .
如果我在时间t 1正确理解预测,您可能需要查看序列到序列学习 .
尝试类似的东西:
据我所知,到目前为止,嵌入层似乎或多或少地减少了维数,如word embedding . 所以在这个意义上它似乎不适用于一般的重塑工具 .
如果你有一个单词映射到整数,如{car:1,mouse:2 ... zebra:9999},你的输入文本将是由它们整数id表示的单词的向量,如[1,2,9999 .. . ],这意味着[汽车,老鼠,斑马...] . 但是将单词映射到具有词汇长度的实数向量似乎是有效的,所以如果你的文本有1000个独特的单词,你可以将每个单词映射到长度为1000的实数向量 . 我不确定但是我我认为它主要代表一个词的含义与所有其他词的相似之处,但我不确定这是否正确,还有其他方法可以嵌入词 .