请考虑这个简单的例子
nb_samples = 100000
X = np.random.randn(nb_samples)
Y = X[1:]
X = X[:-1]
X = X.reshape((len(Y), 1, 1))
Y = Y.reshape((len(Y), 1))
所以我们基本上已经
了Y[i] = X[i-1]
,模型只是一个滞后算子。
我可以通过无状态LSTM学习这个模型,但我想在这里理解并应用Keras中的有状态LSTM。
所以我尝试通过有状态的LSTM来学习这个模型,通过逐个给出(x, y)
对值(batch_size = 1)
model = Sequential()
model.add(LSTM(batch_input_shape=(1, 1, 1),
output_dim =10,
activation='tanh', stateful=True
)
)
model.add(Dense(output_dim=1, activation='linear'))
model.compile(loss='mse', optimizer='adam')
for epoch in range(50):
model.fit(X_train,
Y_train,
nb_epoch = 1,
verbose = 2,
batch_size = 1,
shuffle = False)
model.reset_states()
但该模型没有学到任何东西。
根据Marcin的建议,我修改了训练代码如下:
for epoch in range(10000):
model.reset_states()
train_loss = 0
for i in range(Y_train.shape[0]):
train_loss += model.train_on_batch(X_train[i:i+1],
Y_train[i:i+1],
)
print '# epoch', epoch, ' loss ', train_loss/float(Y_train.shape[0])
但是我仍然看到1左右的平均损失,这是我随机生成的数据的标准偏差,所以模型似乎没有学习。
我有什么问题吗?
答案 0 :(得分:1)
正如您可能阅读here,即使您的模型状态由于网络的状态而未重置 - 优化器的参数是 - 并且由于优化器在循环神经网络训练中非常重要 - 重置他们的状态可能对您的训练极为有害。为了防止这种尝试:
for epoch in range(50):
model.train_on_batch(X_train,
Y_train)
model.reset_states()
train_on_batch
方法不会重置优化程序状态,这可能会使您的培训成为可能。