Question

我正在构建一个小程序，以预测来自1d浮点数的浮点数。到目前为止，我一直在使用dense层来实现这一目标：

const model = sequential();
model.add(layers.dense({units: 32, inputShape: [numCols,]}));
model.add(layers.activation({activation: 'relu'}));
model.add(layers.dense({units: 4}));
model.add(layers.dense({units: 1}));

我的xs输入形状为[numRows, numCols]（例如[132, 100] - 在132个示例的数据集中：[[1,2,3，...]，[4,5] ，6，...]，...]）我的ys输出是单个值[num]（例如[17.50]）。

但我想尝试LSTM来测试它是否会表现更好。问题是LSTM的图层需要一个3d矩阵，我不知道该怎么做。

我尝试了以下内容：

const trainXs = xs.clone()
  .reshape([numRows, numCols, 1]);

以上将我的输入[[1, 2, 3, ...], [4, 5, 6, ...], ...]转换为[[[1], [2], [3], ...], [[4], [5], [6], ...], ...]。

层数：

const model = sequential();
model.add(layers.simpleRNN({
  units: 32,
  inputShape: [numCols, numRows], // [100, 132]
  recurrentInitializer: 'glorotNormal',
  returnSequences: true
}));
model.add(layers.simpleRNN({
  units: 32,
  recurrentInitializer: 'glorotNormal',
  returnSequences: true
}));

但上述情况会因以下错误而失败：

Error: Error when checking input: expected simple_rnn_SimpleRNN1_input to have shape [,100,132], but got array with shape [132,100,1].

我有点困惑，我不确定如何重塑我的2d张量以满足LSTM层的要求。

更新：

契合电话：

model.fit(trainXs, trainYs, {
  epochs: 1000,
  batchSize: 12,
  validationData: [testXs, testYs] // Test data has the same shape as trainXs/trainYs
});

我现在只有一层：

model.add(layers.simpleRNN({
  units: 32,
  inputShape: [1, numCols, numRows],
  recurrentInitializer: 'glorotNormal',
  returnSequences: true
}));

Answer 1

参考文献说：

输入的形状（不包括第一个，批量维度）需要至少为2-D，第一个维度为时间步长。

因此输入的第一个维度应包含时间步长。为简单起见，只需使用1.因此，在您的情况下，传递给单元格的张量的形状将是[1, numCols, numRows]，就像您在错误消息中已经得到的那样。

将2d张量转换为3d以用于LSTM图层

1 个答案: