我想预测球落下的轨迹。那条轨迹是抛物线的。我知道LSTM对此可能太多了(即更简单的方法就足够了)。 我认为我们可以在最后使用2个LSTM图层和一个Dense图层。
我想要的最终结果是给模型3高度h0,h1,h2并让它预测h3。然后,我想给它h1,h2和先前输出的h3来预测h4,依此类推,直到我可以预测整个轨迹。
首先,第一个LSTM层的输入形状是什么? 它是input_shape =(3,1)吗? 其次,LSTM是否能够预测抛物线路径?
我几乎是一条扁平线,而不是抛物线,我想排除我误解如何喂食和塑造输入的可能性。
谢谢
答案 0 :(得分:2)
输入形状的格式为(samples, timeSteps, features)
。
您唯一的功能是“身高”,所以features = 1
由于您要输入不同长度的序列,因此可以使用timeSteps = None
。
因此,您的input_shape
可能是(None, 1)
由于我们将在下面使用stateful=True
图层,因此我们可以使用batch_input_shape=(1,None,1)
。选择所需的“样本”数量。
您的模型确实可以预测轨迹,但可能需要不止一层。 (关于有多少层和单元取决于知道LSTM内部匹配如何工作的确切答案。)
培训强>
现在,首先你需要训练你的网络(只有这样才能开始预测好事)。
对于训练,假设您有一个[h1,h2,h3,h4,h5,h6...]
序列,正确序列中的真值。 (我建议你实际上有很多序列(样本),所以你的模型学得更好)。
对于此序列,您希望输出预测下一步,然后您的目标将为[h2,h3,h4,h5,h6,h7...]
因此,假设您有一个data
数组,其形状为(manySequences, steps, 1)
,您可以:
x_train = data[:,:-1,:]
y_train = data[:,1:,:]
现在,您的图层应该使用return_sequences=True
。 (每个输入步骤都会产生一个输出步骤)。然后用这些数据训练模型。
此时,无论您使用stateful=True
还是stateful=False
都不是很相关。 (但如果是真的,那么在每个纪元和序列之前总是需要model.reset_state()
)
<强>测算:强>
对于预测,您可以在模型中使用stateful=True
。这意味着当您输入h1
时,它将生成h2
。当您输入h2
时,它会记住“当前速度”(模型的state
)以预测正确的h3
。
(在训练阶段,有这个并不重要,因为你一次输入整个序列。所以在长序列的步骤之间理解速度)。
您可以将方法reset_states()
设为set_current_speed_to(0)
。只要您要输入的步骤是序列中的第一步,您就会使用它。
然后你可以做这样的循环:
model.reset_states() #make speed = 0
nextH = someValueWithShape((1,1,1))
predictions = [nextH]
for i in range(steps):
nextH = model.predict(nextH)
predictions.append(nextH)
有an example here,但使用了两个功能。不同之处在于我使用了两个模型,一个用于培训,一个用于预测,但您只能使用return_sequences=True
和stateful=True
一个模型(开始时不要忘记reset_states()
每个时代的训练)。