Question

我有一个使用3个传感器进行活动识别的CNN。我堆叠了传感器的尺寸，给了我9个通道，并将时间序列数据分成每个窗口200个样本。我将其送入2个CNN层，1个完全连接层和1个softmax层。全部在Tensorflow

现在我想用LSTM层替换完全连接的层。但我不知道如何实现它。如果我从上一个卷积层得到平坦的输出，我该如何将它输入LSTM层？我如何申请辍学？

因为我在LSTM上看到了活动识别的Github代码，输入是

x = tf.placeholder(tf.float32, [None, n_steps, n_input])
y = tf.placeholder(tf.float32, [None, n_classes])

但我最后一层的扁平输出只有2d（-1，N）。 n_steps是时间步数对吗？我应该重塑我扁平的输出吗？我应该如何重塑它？我相信来自Github的LSTM代码中的n_steps指的是每个窗口的样本数。那么我应该将平展输出再次分成每个窗口200个样本吗？

编辑：我想要做的是将时间序列数据划分为切片或时间窗口，然后应用卷积层，然后将其展平并输入到LSTM层。但我不知道如何实现这一点。特别是当我已经处于扁平化输出时。如何对其进行分段并将其提供给循环图层？

Answer 1

LSTM是与序列数据一起使用的架构。在时间维度上使用卷积会使您失去这个时间维度，使得LSTM的使用意义不大。

我个人所做的是用LSTM替换CNN层，因为两者都用于在时间维度上进行一些证据聚合。在这种情况下，我认为您的问题的答案很明确：n_steps是数据的时间步长。

如果您仍想在卷积上应用LSTM，那么您应该设计某种更高级别的序列。一种可能性是向卷积层提供不同的窗口，然后使用它们的输出作为LSTM的输入序列。显然这只是一个＆＃34;技巧＆＃34;你应该找到这样做的好动机。