我尝试了解 LSTM 以及如何使用 Keras 构建它们。我发现,运行 RNN 主要有 4 种模式(图中正确的 4 种)
图片来源:Andrej Karpathy
现在我想知道它们每个的简约代码片段在 Keras 中会是什么样子。 所以类似
model = Sequential()
model.add(LSTM(128, input_shape=(timesteps, data_dim)))
model.add(Dense(1))
对于 4 个任务中的每一个,也许都有一些解释。
最佳答案
所以:
一对一:您可以使用
Dense
层,因为您不处理序列:model.add(Dense(output_size, input_shape=input_shape))
一对多:此选项不受良好支持,因为在
Keras
中链接模型不太容易,因此以下版本是最简单的版本:model.add(RepeatVector(number_of_times, input_shape=input_shape)) model.add(LSTM(output_size, return_sequences=True))
多对一:实际上,您的代码片段(几乎)是这种方法的一个示例:
model = Sequential() model.add(LSTM(1, input_shape=(timesteps, data_dim)))
多对多:当输入和输出的长度与循环步骤的数量匹配时,这是最简单的代码片段:
model = Sequential() model.add(LSTM(1, input_shape=(timesteps, data_dim), return_sequences=True))
当步数与输入/输出长度不同时进行多对多:这在 Keras 中非常困难。没有简单的代码片段可以进行编码。
编辑:广告 5
在我最近的一个应用程序中,我们实现了一些可能类似于第四张图像中的多对多的东西。如果您想要一个具有以下架构的网络(当输入比输出长时):
O O O
| | |
O O O O O O
| | | | | |
O O O O O O
您可以通过以下方式实现此目的:
model = Sequential()
model.add(LSTM(1, input_shape=(timesteps, data_dim), return_sequences=True))
model.add(Lambda(lambda x: x[:, -N:, :])) #Select last N from output
其中 N
是您想要涵盖的最后步骤的数量(在图像 N = 3
上)。
从这一点开始:
O O O
| | |
O O O O O O
| | |
O O O
与长度为N
的人工填充序列一样简单,例如使用与0
向量,以便将其调整到合适的大小。
关于machine-learning - Keras 中的多对一和多对多 LSTM 示例,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/43034960/