首页 文章

Keras：我应该如何为RNN准备输入数据？

提问于
浏览 次
12

我在为Keras准备RNN的输入数据时遇到了麻烦 .

目前，我的培训数据维度是： (6752, 600, 13)

  • 6752：训练数据的数量

  • 600：时间步数

  • 13：特征向量的大小（向量在浮点数）

X_train 和 Y_train 都属于这个维度 .

我想把这些数据准备好送到Keras的 SimpleRNN . 假设我们说我想使用 input_length = 5 ，这意味着我想使用最近的5个输入 . （例如步骤＃10，＃11，＃12，＃13，＃14 @步骤＃14） .

我应该如何重塑 X_train ？

应该是 (6752, 5, 600, 13) 还是 (6752, 600, 5, 13) ？

什么形状应该_2446738_？

它应该是 (6752, 600, 13) 还是 (6752, 1, 600, 13) 或 (6752, 600, 1, 13) ？

deep-learning keras lstm recurrent-neural-network

1 回答

  • 14

    如果您只想使用最近的5个输入预测输出，则无需提供任何训练样本的完整600个时间步长 . 我的建议是以下列方式传递培训数据：

    t=0  t=1  t=2  t=3  t=4  t=5  ...  t=598  t=599
sample0      |---------------------|
sample0           |---------------------|
sample0                |-----------------
...
sample0                                         ----|
sample0                                         ----------|
sample1      |---------------------|
sample1           |---------------------|
sample1                |-----------------
....
....
sample6751                                      ----|
sample6751                                      ----------|

    训练序列的总数将总计为

    (600 - 4) * 6752 = 4024192    # (nb_timesteps - discarded_tailing_timesteps) * nb_samples

    每个训练序列包括5个时间步骤 . 在每个序列的每个时间步，您都会传递特征向量的所有13个元素 . 随后，训练数据的形状将是（4024192,5,13） .

    此循环可以重塑您的数据：

    input = np.random.rand(6752,600,13)
nb_timesteps = 5

flag = 0

for sample in range(input.shape[0]):
    tmp = np.array([input[sample,i:i+nb_timesteps,:] for i in range(input.shape[1] - nb_timesteps + 1)])

    if flag==0:
        new_input = tmp
        flag = 1

    else:
        new_input = np.concatenate((new_input,tmp))
    回复于

相关问题