在将Keras用于LSTM模型时,何时使用GlobalAveragePooling1D以及何时使用GlobalMaxPooling1D?

时间:2018-12-12 13:07:19

标签: keras nlp lstm

我必须为某些文本创建LSTM分类模型,并且在使用keras时,在合并层的GlobalAveragePooling1D和GlobalMaxPooling1D之间感到困惑。在决定特定选择时,我应该使用哪一个?要考虑什么?

1 个答案:

答案 0 :(得分:4)

这很大程度上取决于您的数据以及您要从中获得什么。 这是测试是唯一肯定答案的情况之一。

例如,如果要检测序列中是否存在某物,则最大池化似乎是一个不错的选择。

但是,如果整个序列的贡献对您的结果来说很重要,那么平均合并听起来就很合理。

现在,由于您正在使用LSTM层,也许您应该在最后一个LSTM层中使用INSERT INTO `mytable` VALUES (12457, 35, 122, '2018-12-12 12:53:49', 1); INSERT INTO `mytable` VALUES (12458, 40, 119, '0000-00-00 00:00:00', 1); INSERT INTO `mytable` VALUES (12459, 34, 122, null, 1); INSERT INTO `mytable` VALUES (12460, 36, 122, '2018-12-12 12:57:01', 1); 。这也有可能代替合并。这将仅保留序列的最后一步。处理整个序列可能有好处,也许会对您的结果产生累积影响。

在所有情况下,测试都是唯一的肯定答案。