Question

人们谈论LSTM预测下一个时间步骤。这意味着它应该识别一个模式来进行预测。假设它在学习阶段经常看到1 2 3个序列。因此，当它看到1 2它将预测3.对吗？

但是，如果我不想预测这个数字怎么办？如果我需要LSTM来识别无法简单量化的模式，该怎么办？

这是一个例子。波浪。你是LSTM，而且你在海滩上（很棒！）。你计算波浪。你的输入是3d矢量。每次观察都是{高度，速度，时间}（时间是自上次观察以来的秒数 - 这一点非常重要，因为波以不同的间隔出现）。但是你可以看到距离海滩100米的海浪。你站在水边10米处。

我希望你能识别波浪模式，这会导致你的脚被波浪序列弄湿。

所以这个问题有两个不同的挑战。

一个是＆＃34;迫近＆＃34; - 由于波浪的速度不同，因此不可能知道波浪到达你的脚需要多长时间。不同的模式将在不同的时间内完成。因此，当LSTM识别出良好的模式时，时间步长M与当它到达你的脚时的时间步长N之间的距离将对每个良好的模式都持谨慎态度。

第二个输出（比如我想要0或1）不在输入序列中。它没有预测下一波预测0/1。

有人能建议这种LSTM的高级架构吗？我该如何编程＆＃34;湿脚＆＃34;？在批次ML中，它将被称为监督，我会用＆＃34;湿脚＆＃34;标记某些数据点。标签。

这是另一个考虑因素。也许它应该叠加。说3个LSTM。因为一些波浪将对湿脚事件做出重大贡献，而另一些则不然。我想可能是我需要1台机器学习小图案和2台机器来学习模式和3台机器来实际预测湿脚...

思想？

Answer 1

查看https://github.com/fchollet/keras/blob/master/examples/imdb_lstm.py以获取将LSTM用于分类任务的示例。最基本的架构只是一个LSTM层，后跟一个输出节点：

model = Sequential()
model.add(Embedding(max_features, 128))
model.add(LSTM(128, dropout=0.2, recurrent_dropout=0.2))
model.add(Dense(1, activation='sigmoid'))

我可以在LSTM中加强良好的模式识别吗？

1 个答案: