python-3.x - keras lstm 性能不佳

Question

我想创建一个 lstm 模型来对信号进行分类。

假设我有 1000 个信号文件。每个文件都包含一个形状为 (500, 5) 的矩阵，这意味着在每个文件中，我有 5 个特征(列)和 500 行。

         0          1          2         3        4
0        5        5.3         2.3       4.2      2.2

...     ...       ...        ...         ...      ...

499     2500      1.2         7.4        6.7       8.6

对于每个文件，有一个输出是 bool 值(真或假)。形状是 (1,)

我创建了一个形状为 (1000, 5, 500) 的数据库数据，目标向量的形状为 (1000, 1)。

然后我拆分数据(X_train、X_test、y_train、y_test)。

把这样的矩阵给lstm模型可以吗？因为我的表现很差。据我所见，人们只提供 1D 或 2D 数据，然后他们 reshape 数据以向 lstm 层提供 3D 输入。

带有lstm的代码是这样的:

input_shape=(X_train.shape[1], X_train.shape[2]) #(5,500), i.e timesteps and features
model = Sequential()
model.add(LSTM(20, return_sequences=True))
model.add(LSTM(20))
model.add(Dense(1))
model.compile(loss='mae', optimizer='adam')

我更改了 LSTM 层中的单元格数量和层数，但分数基本相同(0.19)。在我的情况下有这么差的分数是否正常？有更好的方法吗？

谢谢

Answer 1

通过将您的数据转换为 (samples, 5, 500)，您可以为 LSTM 提供 5 个时间步长和 500 个特征。从您的数据来看，您似乎希望处理每列的所有 500 行和 5 个特征以进行预测。 LSTM输入是(样本、时间步长、特征)。因此，如果您的行表示进行 5 次测量的时间步长，那么您需要排列最后 2 个维度并设置 input_shape=(500, 5)在第一个 LSTM 层。

此外，由于您的输出是 bool 值，因此您可以使用 activation='sigmoid' 获得更稳定的训练。在最后的密集层中并使用 loss='binary_crossentropy 进行训练用于二元分类。