Question

我正在尝试使用Keras构建一个递归神经网络。我以here提出的讨论为基础。

然而，在原始讨论中提出的解决方案中，据我所知，没有“＃34;剧集”的概念。让我解释一下我的意思。

想象一下，你有6个实例x1，x2，x3，x4，x5，x6。给定大小为3的循环窗口，第一个输出为x3。我把它称为y3。因此，没有插曲概念的输入输出对看起来像这样：

然而，我的数据有明确的界限。我会在示例中有两集，因此训练对看起来像这样：

我的问题：在Keras可以这样做吗？

我应该如何保持输入输出对组织？除了x3和x6之外，网络不应对所有输入产生预测（无输出）。

PS：我可能会使用LSTM或经典复发。如果有使用LSTM的解决方案，我希望能够在每集后重置内存。

提前致谢。

Answer 1

我相信这可以通过向后退一步，对提供给RNN模型本身的数据进行重组和整形来实现。冒着听起来冗长的风险，我提供以下解释：

您应该有一个 X 和一个 y 。我建议将它们都作为3D NumPy数组，其中

j

array [i] [j] [k]在特定时间步 j 的特定序列 i 中访问特定特征 k （警告： y 的 k 的长度等于1，因为我们每个时间步长仅预测一个目标）

所以假设您有8个序列，3个时间步长和5个特征

shape(X)
# (8, 3, 5) 

shape(y)
# (8, 3, 1)

现在假设您已经按照这种方式构造了数据，那么您要做的就是确保 X 和 y 训练实例彼此匹配你渴望。要使用注释，请执行以下操作：

print(X[0][0])
# [x1, x2, x3]

print(y[0][0])
# [y3]

print(X[1][0])
# [x4, x5, x6]

print(y[1][0])
# [y6]

现在说您已经具有用于输入模型的数据的（序列，时间步长，特征） 3D NumPy数组结构。只需从 X 和 y 中删除您不希望的训练实例。