Question

我在尝试使用Tensorflow下的多个输入序列（多变量）实现LSTM时遇到了一些疑问。

我用这种方式定义了LSTM：

def LSTM(x):
x = tf.reshape(x, [-1, input_length])
x = tf.split(x, input_length, 1)

rnn_cell = rnn.MultiRNNCell([rnn.BasicLSTMCell(n_hidden), rnn.BasicLSTMCell(n_hidden)])
outputs, states = rnn.static_rnn(rnn_cell, x, dtype=tf.float32)
return tf.matmul(outputs[-1], weights['out']) + biases['out']

，数据张量以这种方式定义：

# tf Graph input
X = tf.placeholder("float", [None, input_length, 1])
Y = tf.placeholder("float", [None, n_classes])

对于具有已知长度的一维输入是可以的。我会举一个简单的例子：您有每秒测量的降雨率，因此您有一个大小为N的时间序列。您希望提前30分钟预测降雨率，以便每30分钟将数据拆分成段。因此，您可以输入30（分钟）* 60（每秒一次）测量值来输入LSTM，输出将是从最后一次输入（一次测量）起30分钟后的降雨率。

到目前为止，这个简单的模型解决了这个问题，但是我该怎么做才能添加另一个输入？也就是说，不是仅使用降雨率在30分钟后预测自身，而是每秒向LSTM提供湿度和风速。这将是一个LSTM，其中3个序列作为输入，每个输入将包含30分钟* 60次测量。

我需要添加＆＃34; number_of_sequences＆＃34;变量，但我不确定如何重新组织张量。我应该从代码中更改什么？我对X占位符的三个维度有点迷失，可能是这样的吗？

X = tf.placeholder("float", [None, input_length, number_of_sequences])

还有将正常数据库转换为序列的代码，也许这个？：

x = tf.reshape(x, [-1, input_length])
x = tf.split(x, input_length, number_of_sequences)

提前谢谢。

Answer 1

我编辑了您的代码，以便您可以获得所需的结果，

input_length = 30*60
number_of_sequences =3

X = tf.placeholder("float", [None, input_length, number_of_sequences])


x = tf.reshape(X, [-1, input_length*number_of_sequences])
x = tf.split(x, input_length, 1)

现在x是长度为30 * 60的列表，列表元素的形式为[batch_size 3]。现在x的形状是tf static_rnn方法所需的形状。

希望这有帮助。

张量流中LSTM的多变量输入

1 个答案: