Question

我的问题最好举一个例子：假设我们在5分钟的间隔内在不同的时间长度内收集了10个人的血液值。因此，例如，患者1（P1）有200个观察结果（约16.6h），而患者2（P2）有300个观察结果（25h）。

到目前为止，我可以观察一名患者，将时间序列放入带有滑动窗口的监督学习任务中（例如train_x = [[[p1_1], [p1_2], [p1_3]],[[p1_2], [p1_3], [p1_4]], ...]; train_y = [[p1_4, p1_5, p1_6], [p1_5, p1_6, p1_7]]，并在某些火车分割中训练有状态LSTM并获得拆分另一部分的预测。

示例代码：

model = Sequential()
model.add(LSTM(n_neurons, batch_input_shape=(1, 3, 1), stateful=True))
model.add(Dense(3)
for i in range(nb_epoch):
    model.fit(train_x, train_y, epochs=1, batch_size=n_batch, verbose=0, shuffle=False)
    model.reset_states()

我的模型设置为将三个观测值作为输入，并为接下来的三个时间步长提供预测。目前，我的批次大小为1，因此我的LSTM层的值为batch_input_shape=(1, 3, 1)。

我所苦恼的是如何在多个时间序列上训练网络，所以最终我有了1个模型，可以根据对该患者的早期观察给出对新患者数据的预测。

仅设置batch_input_shape to (10, 3, 1)就足够了但是，那又是什么意思呢？我可以假设批次如下：

Batch 1: [[[p1_1], [p1_2], [p1_3]],[[p1_2], [p1_3], [p1_4]], etc.]
Batch 2: [[[p2_1], [p2_2], [p2_3]],[[p2_2], [p2_3], [p2_4]], etc.]
...

如果我考虑一下，那可能没有任何意义，因为如果我附加其他患者的Trainings数据，我的train_x只是所有观察值的集合（例如，如果P1和P2合并，则为500 ）。

但是我又该如何告诉模型，在满足第一位患者的所有观察结果之后，该模型必须重置状态？（因此，在这种情况下，经过200次观察（或197个训练示例 [由于滑动窗口为3] ）

了解有状态LSTM

0 个答案: