如何正确配置 Encoder Decoder LSTM 使一个时间步输出携带多个特征答案

【问题标题】：How to correctly configure Encoder Decoder LSTM to have one timestep output carrying multiple features如何正确配置 Encoder Decoder LSTM 使一个时间步输出携带多个特征
【发布时间】：2022-12-16 05:25:05
【问题描述】：

在每次观察中，我有 6 个时间步长，每个时间步长有 2 个特征，我试图预测 1 个具有 2 个并行特征的 timetsep。进一步来说，

我的输入数据的形状是：(81, 6, 2) 我的输出数据的形状是：(81, 1, 2)

我编写了以下代码来构建编码器-解码器 LSTM：

model.add(LSTM(200, activation='relu', input_shape=(n_input, 2)))
model.add(RepeatVector(1))
model.add(LSTM(200, activation='relu', return_sequences=True))
model.add(TimeDistributed(Dense(100, activation='relu')))
model.add(TimeDistributed(Dense(2)))

当我执行单个预测时，网络返回形状 (1, 1, 2)。

我想仔细检查这是否正确，我没有遗漏任何东西，因为预测值非常糟糕（有些为负，有些则非常高）。

【问题讨论】：

第一个维度是您的批量大小，因此如果您使用单个样本进行预测，那么是的，您的输出将是：(1, 1, 2)。可能影响您性能的一件事是您在 TimeDistributed 层中进行的重新缩放。您将从 2-dim LSTM 输出到 100-dim 输出回到 2D。

标签： python tensorflow keras deep-learning lstm

【解决方案1】：

做出错误的预测是另一回事。你回来的形状是正确的。它显示了 Dense(2) 层中指定的 (samples, timesteps, features) => (1, 1, 2)。

【讨论】：