Keras：LSTM的分类与连续输入

Question

我是Keras和深度学习的新手，在完成了有关stackoverflow的几个教程和答案后，我仍然不清楚进入网络后如何操作输入。

我正在使用keras的功能API来开发复杂的模型，所以我的第一层总是输入层。 类似的东西：

  

输入（）

     

LSTM（）

     

密集（）

现在假设我有2个训练数据集A和B.每个数据集相同的10,000乘6,000个矩阵，其中包含200个不同的值。即10,000行，每行代表训练样例和6,000个时间步骤序列。两者中的值是[[3,50,1,22,7,5,3,1,5，..]，[55,32,54,21,15，...]，....] A和B之间的唯一区别是A中的值是实数（连续变量），值B是谨慎的（分类变量）。

我有以下3种可能的选项，我可以用来区分分类和连续输入，并想知道哪些可行，哪些比其他更好。

1-给定A是实值，B是分类，将A转换为.astype（浮点），B转换为.astype（浮点）并馈送到网络，网络将相应地采用。

2-鉴于B具有分类值，将B转换为一个热矢量设置，即将10,000乘以6,000变为10,000乘以6,000乘200.保持A原样。

3-如果我们使用B，则在输入后添加嵌入层，并使网络像：

  

输入（）

     

嵌入（）

     

LSTM（）

     

密集（）

如果我们使用A，则不要添加嵌入层。

Answer 1

似乎分类输入让你感到困惑。嵌入或不嵌入：

1. 我们在两种情况下使用嵌入层嵌入分类输入：减小空间的维度并捕获输入之间的任何相似性。因此，当您在一种语言中拥有数十亿个单词时，嵌入300维向量以使其易于管理是有意义的。但是，一热也总是给出最大的区别，所以在你的情况下，每个说法200不是很多，而且一个热点是要走的路。
2. 对于连续输入，我们经常使用简单的最大最小值归一化归一化，因此max变为1而min变为0.但是根据数据集的性质，有很多方法可以做到这一点。
3. 对于实际模型，您可以使用2个输入处理连续和分类不同的输入，也可以共享上游层，否则创建2个不同的模型可能有意义。

您可以找到涵盖输入编码的更多信息online。