Question

我有以下特征向量，每个样本包含一个特征，总共32个样本：

X = [[0.1]，[0.12]，[0.3] ...... [0.10]]

和由二进制值组成的标签向量

Y = [0,1,0,0，...... 1]（也有32个样本）

我尝试使用Keras LSTM根据新条目预测序列的下一个值。我无法弄清楚的是＆＃34; batch_input_shape＆＃34;元组意味着例如：

 model.add(LSTM(neurons, batch_input_shape=(?, ?, ?), return_sequences=False, stateful=True))

根据this文章，第一个是批量大小，但另外两个呢？它们是每个样品的特征数量和样品数量吗？在这种情况下，batch_size的值应该是多少？

目前收到错误消息：

ValueError: Error when checking input: expected lstm_1_input to have 3 dimensions, but got array with shape (32, 1)

编辑：这是模型声明：

def create_lstm(batch_size, n_samples, neurons, dropout):
model = Sequential()
model.add(LSTM(neurons, batch_size=batch_size, input_shape=(n_samples, 1), return_sequences=False, stateful=True))
model.add(Dropout(dropout))
model.add(Dense(1, activation='sigmoid'))
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
return model

Answer 1

根据关于“有状态”LSTM的this Keras顺序模型指南（在最底部），我们可以看到这三个元素的含义：

预期输入批量形状：（ batch_size ，时间步长， data_dim ）。请注意，我们必须提供完整的batch_input_shape，因为网络是有状态。批次k中的索引i的样本是批次k-1中样本i的后续。

您已经发现的第一个是在训练期间使用的批量大小。您应该选择多少部分取决于您的具体问题，但主要取决于数据集的大小。如果您指定批量大小为" ".join(re.sub(r'\b(?!xbox360|ps4)\w*\d\w*'," ",string1).split())且数据集包含x个样本，则在培训期间，您的数据将分为N组（批次），每个组N/x。

因此，您可能希望批量大小小于数据集的大小。没有唯一值，但您希望它比所有数据按比例缩小（比如一个或两个订单）。有些人喜欢使用2（32,128等）的功率作为批量大小。在某些情况下，也可以根本不使用批次，并立即训练所有数据（尽管不一定更好）。

其他两个值是时间步长（时间维度的大小）或每个样本序列的“帧”，以及数据维度（即，每个时间步长的数据向量大小）。

例如，假设您的输入序列看起来像x。我们可以看到此序列的X = [[0.54, 0.3], [0.11, 0.2], [0.37, 0.81]]的时间步长和3的 data_dim 。

所以，你得到的2很可能是由于这个（错误甚至暗示它预计会有3个暗淡）。另外，请确保您的阵列是Numpy数组。

作为最后一条评论，假设您说您总共有32个样本（即您的整个数据集包含32个样本），我认为使用批次的数据太少;通常，我看到的最小批量是32，所以在尝试使用批量培训之前，请考虑获取更多数据。希望这会有所帮助。

Keras LSTM上的batch_input_shape元组

1 个答案: