对于两个天气值的预测，我有一个数据集，其中包含分辨率为 15 分钟的一年数据。因此，每天 96 个时间点的数据和总共 365 * 96 可用。
每当我在 LSTM 网络中输入一天的数据进行训练时，我也想给出输出状态 h 的真实测量数据。
# tensor for setting output state h
init_state = tf.reshape(init_state, [1, 2])
init_state = tf.nn.rnn_cell.LSTMStateTuple(tf.constant([[0, 0]], tf.float32), init_state)
# tensor placeholder for input data with 2 inputs
train_placeholder = tf.placeholder(tf.float32, [1, 96, 2])
# hidden size equals 2, because LSTM output and output state h have 2 values
cell = tf.contrib.rnn.LSTMCell(2)
rnn_outputs_ts, state = tf.nn.dynamic_rnn(cell, train_placeholder,
dtype=tf.float32, initial_state=init_state)
培训每天循环进行:
# daily training of the weather data
for step in len(train_data):
sess.run(train_lstm, {train_placeholder: train_data[step].reshape(1, 96, 2),
init_state: init_data[step].reshape(1, 2) })
如果我按照所述在每次迭代中设置输出状态 h，与默认情况下输出状态 h 始终设置为零相比，我会得到更好的结果。
由于输出状态 h 包含两个值，我为其输入真实测量值，因此 LSTM 单元的隐藏大小也限制为 2。 然而，在不手动设置输出状态 h 的情况下，我注意到如果 LSTM 单元的隐藏大小大于 2 并且输出扁平化为 2，则可能获得更好的结果。 MultiRNNCell 也是如此，由于输出状态 h，我也不使用它。
一方面我想要一个更大的 LSTM 网络，但另一方面我也想用真实的测量数据设置输出状态h。
对于我的情况，您将如何处理？
最佳答案
我认为你需要另一层 - 网络通常有一个输入层、一些中间层和一个执行最终分类的输出层。在你的例子中，你可以在 LSTM 层之后添加一个带有 2 个神经元的 Dense() 层。
此外，LSTMCell 已弃用 ( https://www.tensorflow.org/api_docs/python/tf/nn/rnn_cell/LSTMCell )，并将在 TensorFlow 2.0 中删除。我建议使用 Keras( tensorflow 的包装器)来设置您的网络 - 它提供了许多便利的功能并有助于分析您的模型。请在此处查看如何设置 LSTM 模型的说明:https://adventuresinmachinelearning.com/keras-lstm-tutorial/
关于python - 用于初始状态的每日天气预报的 LSTM 网络，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/55436488/