了解Tensorflow LSTM输入形状

一尘不染

了解Tensorflow LSTM输入形状

python

我有一个由 N = 4000个样本 组成的数据集X ，每个样本都包含 d = 2个特征 （连续值），这些特征跨越 t =
10个时间步长。在时间步骤11，我还具有每个样本的相应“标签”，它们也是连续值。

目前，我的数据集的形状为X：[4000,20]，Y：[4000]。

给定d个功能的10个先前输入，我想使用TensorFlow训练LSTM来预测Y值（回归），但是我在TensorFlow中实现这一点很困难。

我目前遇到的主要问题是了解TensorFlow如何期望输入被格式化。我见过各种各样的例子，如本，但这些例子处理连续时间序列数据的一个大的字符串。我的数据是不同的样本，每个样本都是独立的时间序列。

阅读 198

2021-01-20

共1个答案

一尘不染

该的文件tf.nn.dynamic_rnn中指出：

inputs：RNN输入。如果是time_major == False（默认值），则它必须是shape：的张量[batch_size, max_time, ...]，或此类元素的嵌套元组。

在您的情况下，这意味着输入的形状应为[batch_size, 10, 2]。无需一次训练所有4000个序列，而是batch_size在每次训练迭代中仅使用其中的许多序列。类似于以下内容的东西应该起作用（为清楚起见，添加了重新塑形）：

batch_size = 32
# batch_size sequences of length 10 with 2 values for each timestep
input = get_batch(X, batch_size).reshape([batch_size, 10, 2])
# Create LSTM cell with state size 256. Could also use GRUCell, ...
# Note: state_is_tuple=False is deprecated;
# the option might be completely removed in the future
cell = tf.nn.rnn_cell.LSTMCell(256, state_is_tuple=True)
outputs, state = tf.nn.dynamic_rnn(cell,
                                   input,
                                   sequence_length=[10]*batch_size,
                                   dtype=tf.float32)

从文档开始，outputs将具有形状[batch_size, 10, 256]，即每个时间步长一个256输出。state将是一个形状的元组[batch_size, 256]。您可以据此预测最终值（每个序列一个）：

predictions = tf.contrib.layers.fully_connected(state.h,
                                                num_outputs=1,
                                                activation_fn=None)
loss = get_loss(get_batch(Y).reshape([batch_size, 1]), predictions)

形状为outputs和的数字256state由cell.output_size和决定。cell.state_size。在创建LSTMCell上述内容时，它们是相同的。另请参阅LSTMCell文档。

2021-01-20