Question

我是机器学习工具的新手，并且已经在R中安装了Keras。在考虑更简单的模型时，我现在想将神经网络用于更多特殊目的。通常，神经网络应该是函数Phi: R^d -> R，其中输入是d维的。

给出n个时间点的d维数据，以便神经网络每次都计算1维目标值。其中，我有M个样本，即输入有些(samples,times,input_dimension)=(M,n,d)，在其上分别应用了神经网络。输出应为(samples,times)=(M,n)形式，以便每次将神经网络的预测值与所需目标进行比较-并针对每个样本进行比较。仅供参考，数字范围在d=5, n=1000, M=100左右。

基于此，建议在具有d维输入和1维目标的M*n样本上运行“常规”神经网络。但是，问题在于损失函数取决于每个时间步长中神经网络的先前评估，即损失的形式为

l(y_pred,y_target) = sum_{i=1}^n (y^i_pred-y^i_target+f_i(...))^2

其中y^i_pred和y^i_target分别是第i个时间步长的预测值和目标值，而f_i是附加函数（取决于神经网络的二阶导数），但这是另一回事，与先前的损失有关。

到目前为止，我有以下代码来说明我的问题：

input <- array(data1,dim=c(M,n,d))
target <- array(data2,dim=c(M,n))
myloss <- function(f,y_true,y_pred) {
  K <- backend()
  return(K$sum((y_pred-y_true+f)^2))
}

library(keras)
NN <- keras_model_sequential()
NN %>%
  layer_dense(units=20,activation='relu',input_shape=c(n,d)) %>% 
  layer_dense(units=20,activation='relu') %>%
  layer_dense(units=1,activation='relu')
summary(NN)

NN %>% compile(
  loss function(y_true,y_pred) myloss(f,y_true,y_pred),
  optimizer = "adam",
  metrics = "acc"
)
history <- NN %>% fit(
  input, target, 
  epochs = 30, batch_size = 20, 
  validation_split = 0.1
)

我收到各种错误消息（关于目标和自定义损失函数的维数），因此我的问题是：是否有可能将我的问题合并到Keras模型中？还是应该使用卷积神经网络？我还研究了循环网络，但就我而言，只有损失取决于“先前的价值”。也许有人可以提供建议，我将不胜感激。

Keras神经网络通过自身的损失函数多次应用

0 个答案: