keras TimeDistributed层的CNN-LSTM时间序列输入

x33g5p2x 于 2022-11-13 发布在其他

关注(0)|答案(1)|浏览(213)

我创建了一个CNN-LSTM的网络会话的生存预测，我的训练数据看起来如下：

print(x_train.shape)
(288, 3, 393)

with（样本、时间步长、要素）和我的模型：

model = Sequential()
model.add(TimeDistributed(Conv1D(128, 5, activation='relu'), 
                                 input_shape=(x_train.shape[1], x_train.shape[2])))
model.add(TimeDistributed(MaxPooling1D()))
model.add(TimeDistributed(Flatten()))
model.add(LSTM(64, stateful=True, return_sequences=True))
model.add(LSTM(16, stateful=True))
model.add(Dense(1, activation='sigmoid'))

model.compile(optimizer=Adam(lr=0.001), loss='binary_crossentropy', metrics=['accuracy'])

然而，TimeDistributed层需要至少3个维度，我应该如何转换数据以使其工作？
多谢了！

keras

来源：https://stackoverflow.com/questions/62875072/cnn-lstm-timeseries-input-for-timedistributed-layer

1条答案

按热度按时间

mrfwxfqh1#

你的数据是3D格式的，这是你需要的全部内容来输入conv1d或LSTM。如果你的目标是2D的，记得在你的最后一个LSTM单元格中设置return_sequences=False。
在LSTM之前使用展平是一个错误，因为这样会破坏3D维度
还要注意池操作，以便不减少负的时间维（我在上面的卷积中使用“same”填充，以避免这种情况）
下面是二元分类任务中的示例

n_sample, time_step, n_features = 288, 3, 393
X = np.random.uniform(0,1, (n_sample, time_step, n_features))
y = np.random.randint(0,2, n_sample)

model = Sequential()
model.add(Conv1D(128, 5, padding='same', activation='relu', 
                 input_shape=(time_step, n_features)))
model.add(MaxPooling1D())
model.add(LSTM(64, return_sequences=True))
model.add(LSTM(16, return_sequences=False))
model.add(Dense(1, activation='sigmoid'))

model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
model.fit(X,y, epochs=3)

赞(0）回复(0）举报 2022-11-13

我来回答

keras TimeDistributed层的CNN-LSTM时间序列输入

1条答案

相关问题

热门标签

最新问答