Question

我最长久以来一直对此表示怀疑，但无法弄清楚是否是这种情况，所以这里是这种情况：

我正在尝试通过3个不同的输入来构建具有3个特征的模型：

文本序列
浮点数
浮点数

现在，所有这三个步骤组成一个步骤。但是，由于我使用手套将100个维度的文本序列向量化，因此20个单词的文本序列最终的长度为2000。因此，每步的总输入长度为2002（每个时间步长为具有形状的矩阵）（2002年1月），其中有2000个来自单一功能。

文本序列是否压倒了两个浮点数，所以无论浮点数的值与预测值无关吗？如果是这样，我该怎么解决？也许手动权衡每个功能应该使用多少？附有代码

def build_model(embedding_matrix) -> Model:
    text = Input(shape=(9, news_text.shape[1]), name='text')
    price = Input(shape=(9, 1), name='price')
    volume = Input(shape=(9, 1), name='volume')

    text_layer = Embedding(
        embedding_matrix.shape[0],
        embedding_matrix.shape[1],
        weights=[embedding_matrix]
    )(text)
    text_layer = Dropout(0.2)(text_layer)
    # Flatten the vectorized text matrix
    text_layer = Reshape((9, int_shape(text_layer)[2] * int_shape(text_layer)[3]))(text_layer)

    inputs = concatenate([
        text_layer,
        price,
        volume
    ])

    output = Convolution1D(128, 5, activation='relu')(inputs)
    output = MaxPool1D(pool_size=4)(output)
    output = LSTM(units=128, dropout=0.2, return_sequences=True)(output)
    output = LSTM(units=128, dropout=0.2, return_sequences=True)(output)
    output = LSTM(units=128, dropout=0.2)(output)
    output = Dense(units=2, activation='linear', name='output')(output)

    model = Model(
        inputs=[text, price, volume],
        outputs=[output]
   )

    model.compile(optimizer='adam', loss='mean_squared_error')

    return model

编辑：请注意，输入到lstm中的形状是（？，9，2002），这意味着现在来自文本的2000会被视为2000个独立特征

Answer 1

正如我在评论中提到的，一种方法是拥有两个分支模型，其中一个分支处理文本数据，另一个分支处理两个浮点功能。最后，两个分支的输出合并在一起：

# Branch one: process text data
text_input = Input(shape=(news_text.shape[1],), name='text')

text_emb = Embedding(embedding_matrix.shape[0],embedding_matrix.shape[1],
                weights=[embedding_matrix])(text_input)

# you may alternatively use only Conv1D + MaxPool1D or
# stack multiple LSTM layers on top of each other or
# use a combination of Conv1D, MaxPool1D and LSTM
text_conv = Convolution1D(128, 5, activation='relu')(text_emb)
text_lstm = LSTM(units=128, dropout=0.2)(text_conv)

# Branch two: process float features
price_input = Input(shape=(9, 1), name='price')
volume_input = Input(shape=(9, 1), name='volume')

pv = concatenate([price_input, volume_input])

# you can also stack multiple LSTM layers on top of each other
pv_lstm = LSTM(units=128, dropout=0.2)(pv)

# merge output of branches
text_pv = concatenate([text_lstm, pv_lstm])

output = Dense(units=2, activation='linear', name='output')(text_pv)

model = Model(
    inputs=[text_input, price_input, volume_input],
    outputs=[output]
)
model.compile(optimizer='adam', loss='mean_squared_error')

正如我在代码中评论的那样，这只是一个简单的例子。您可能需要进一步添加或删除图层或正则化并调整超参数。

Keras LSTM较大功能淹没了较小的功能？

1 个答案: