Question

我正在处理一个包含2个特征x，y坐标的时间序列数据的数据集。我对根据先前坐标预测未来的x，y（如果可能的话，作为一个元组）很有趣。我对深度学习还很陌生，我一直在关注Kaggle上的这篇文章

Intro to Recurrent Neural Networks LSTM | GRU

google搜索给了我一个答案，即LSTM层中的input_shape需要一个3D元组（batch_size, time_steps, feature）。基于这些知识，我研究了2D数据（x，y）：

X_train = []
y_train = []
for i in range(60,len(train_set_scaled)):
   X_train.append(training_set_scaled[i-60:i,0:2])
   y_train.append(training_set_scaled[i,0:2])
X_train, y_train = np.array(X_train), np.array(y_train)
print X_train.shape
(6208,60,2)

因为它是3D元组，所以我没有对其进行整形并继续。

## model begins here 
regressor = Sequential()

regressor.add(LSTM(units=50, return_sequences=True, input_shape=(X_train.shape[1:])) 
regressor.add(Dropout(0.2))

regressor.add(LSTM(units=50, return_sequences=True))
regressor.add(Dropout(0.2))

regressor.add(LSTM(units=50, return_sequences=True))
regressor.add(Dropout(0.2))

regressor.add(LSTM(units=50))
regressor.add(Dropout(0.2))

regressor.add(Dense(units=2)) ## i am predicting future x,y

我的代码有效，我不确定输出。我所预测的真的是x，y吗？因为如果我给units=3，我将得到3D输出，而units=1，我将得到1D输出。那到底是什么意思？我猜想我在给n时迫使网络收敛到units=n的输出。如果我的问题不清楚，请告诉我。

Answer 1

通常，在定义模型类型后，您需要使用model.fit方法来使其适合数据。

model.fit(X_train, y_train)

输出的大小由y_train的形状定义，即用于训练的标签矢量的大小。

要预测y，您应该做类似的事情

y_prob = model.predict(X_test)

希望这个回答您的问题

如何将密集层单位理解为预测数据的维数？

1 个答案: