如何解决对如何将CONV1D和LSTM结合起来感到困惑
我正在努力理解结合了CONV1D和LSTM的这段代码。
model = tf.keras.models.Sequential([
tf.keras.layers.Conv1D(filters=32,kernel_size=5,strides=1,padding="causal",activation="relu",input_shape=[None,1]),tf.keras.layers.LSTM(64,return_sequences=True),tf.keras.layers.Dense(30,activation="relu"),tf.keras.layers.Dense(10,tf.keras.layers.Dense(1),tf.keras.layers.Lambda(lambda x: x * 400)
])
Model: "sequential"
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
conv1d (Conv1D) (None,None,32) 192
_________________________________________________________________
lstm (LSTM) (None,64) 24832
_________________________________________________________________
lstm_1 (LSTM) (None,64) 33024
_________________________________________________________________
dense (Dense) (None,30) 1950
_________________________________________________________________
dense_1 (Dense) (None,10) 310
_________________________________________________________________
dense_2 (Dense) (None,1) 11
_________________________________________________________________
lambda (Lambda) (None,1) 0
=================================================================
Total params: 60,319
Trainable params: 60,319
Non-trainable params: 0
_________________________________________________________________
如果我们删除CONV1D层和第二个LSTM层，我就很好。但是，我对这种结构深感困惑。
首先，为什么要在第二return_sequences=True层中添加LSTM？通常，在发生return_sequences=True的情况下，我们仅在第一LSTM层添加stacked LSTM。在此模型中，我们将其添加到两者中。
第二，为什么input_shape=[None,1]层中的CONV1D是？ CONV1D和LSTM的形状有点相似吗？
Conv1D: (batch,length,channels)
LSTM: (batch,timesteps,features)
如果您可以共享一个说明如何组合这两种模型的链接，将不胜感激。
解决方法
如果您希望输出为序列，例如，要预测下一个10个值，则最后一个return_sequences应该是True。如果数据中有10个时间步长，它将返回10个时间步长的序列。例如：
import numpy as np
import tensorflow as tf
model = tf.keras.models.Sequential([
tf.keras.layers.Conv1D(filters=32,kernel_size=5,strides=1,padding="causal",activation="relu",input_shape=[None,1]),tf.keras.layers.LSTM(64,return_sequences=True),tf.keras.layers.Dense(30,activation="relu"),tf.keras.layers.Dense(10,tf.keras.layers.Dense(1),tf.keras.layers.Lambda(lambda x: x * 400)
])
model(np.random.rand(1,10,1))
<tf.Tensor: shape=(1,1),dtype=float32,numpy=
array([[[ 0.12037009],[ 0.19570792],[ 0.3986496 ],[ 0.56172705],[-0.06423644],[-0.4780491 ],[-0.82960564],[-1.2271142 ],[-1.8704925 ],[-2.294954 ]]],dtype=float32)>
我不明白你的第二个问题。
,此代码使用sequence-to-sequence预测，而不使用此视频中所述的sequence-to-vector（下面的链接）。这就是我们将return_sequences=True放在两个LSTM层中的原因。
对于使用forecasting的时间序列neural networks来说，这是一门很棒的课程
版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 dio@foxmail.com 举报，一经查实，本站将立刻删除。
