如何處理LSTM模型中的一些時間序列？

我是一個新的keras用戶，我想要輕鬆理解如何構建lstm模型。如何處理LSTM模型中的一些時間序列？

在我的數據，我有很多的用戶，其中有許多序列，如下：

user 1 : 
     X   Labels 
    sequence 1 [ 0, 1 , 0, 1] 
    sequence 2 [ 0, 1 , 0, 1] 
    sequence 3 [ 0, 1 , 0, 1 
    sequence 4   ? 

user 2 : 
     X    labels 
    sequence 1 [ 0, 1 , 0, 1] 
    sequence 2 [ 0, 1 , 0, 1] 
    sequence 3   ?

每個用戶都有序列系列，但不一定是相同的lenght系列。每個系列都對應一個多標籤系列。我的目標是預測每個用戶下一個序列的標籤，並考慮最後的序列（如時間序列）。

我成功了，當我只使用一個用戶。事實上，我做了一個像（批量大小，時間步長，特徵）的輸入，其中批量大小等於1，因爲我有一個用戶，時間步長等於序列的數量，特徵等於序列長度。

model_rnn = Sequential() 
model_rnn.add(LSTM(20, return_sequences=True, input_shape=(None, 20))) 
model_rnn.add(TimeDistributedDense(nb_classes)) 
model_rnn.add(Activation("sigmoid")) 
optimizer = RMSprop(lr=0.01,decay=1e-6) 
model_rnn.compile(loss='binary_crossentropy', optimizer=optimizer) 
X_train = X_train.reshape((1,50,20)) 
y_train = y_train.reshape((1,50,109)) 
model_rnn.fit(X_train,y_train, batch_size=1, epochs=200)

我有兩個問題：它是重要的，當我適合的模式，即洗牌=假？
當我定義LSTM時，我應該將有狀態選項等於True嗎？

我已經獲得了一個用戶的良好表現。我想對所有用戶使用相同的方法。但我不明白我如何爲所有用戶構建輸入。

例如，我想學習舊的用戶序列並預測他的下一個序列，我是否會被迫爲每個用戶訓練一個LSTM？或者我可以在一個LSTM中傾斜每個用戶的時間序列？特別是如果我使用一個LSTM，並且我想預測下一個用戶的序列，那麼模型如何能夠預測好句子，就好像它不知道訓練數據上的這個自己的舊序列。

注意，重要的是要考慮用戶之間的序列是獨立的。

謝謝您的幫助

來源

2017-06-10 beubeu

它是重要的，當我適合的模式，即洗牌=假？

不，它不重要，除非將有狀態設置爲True。在下面看到你的下一個問題的答案。

我應該把等於True的狀態選項時，我定義LSTM？

LSTM具有單元，因此按照定義（與Keras中使用的不同）有狀態。 Fabien Chollet給出了這種有狀態的定義：

stateful：Boolean（默認爲False）。如果爲True，則批次中索引i處的每個樣品的最後一個狀態將用作下一批中索引i的樣品的初始狀態。

因此，如果在Keras中將LSTM設置爲無狀態，則在每個序列處都會重置單元狀態。使用有狀態模式設置，所有狀態都會傳播到下一批。這意味着位於索引i處的樣本X_ {i}的狀態將用於計算下一批中的樣本X_ {i + bs}，其中bs是批量大小（無混洗）。

請注意，默認情況下，Keras混洗（置換）樣本X，並且X_ {i}和X_ {i + 1}之間的依賴關係丟失。因此，如果將有狀態選項設置爲True，請確保設置爲shuffle=False。

我要學習老用戶序列，並預測他的下一個序列，我將被迫接受培訓，每個用戶LSTM？或者我可以在一個LSTM中傾斜每個用戶的時間序列？

我相信，你需要一個LSTM，因爲它對一個用戶來說效果很好。您可以將所有用戶的所有序列視爲您的訓練數據，就像您爲一位用戶所做的那樣。

來源

2017-06-11 01:57:46

如何處理LSTM模型中的一些時間序列？

回答

相關問題