有人可以解释使用 RNN 的回归模型的批量大小和时间步长吗？答案

【问题标题】：Can someone explain batch-size and timestep for a regression model using RNN?有人可以解释使用 RNN 的回归模型的批量大小和时间步长吗？
【发布时间】：2021-11-11 20:07:09
【问题描述】：

我正在研究一个回归模型，该模型每小时有 50 个数据点。我很难决定批量大小和时间步长之间的差异。据我了解，批量大小用于决定在进行预测之前我们要考虑多少个数据点。值越大，模型收敛所需的时间越长。如果是这种情况，我对批量大小的定义很清楚。所以如果我的模型不需要很长时间，我可以使用最大值吗？这个最大值会是测试数据大小吗？

那么时间步长呢？对于您测量的模型，假设温度每分钟直到 30 小时，时间步长是多少？如果知道使用 RNN 进行回归的人能回答我的疑问，我将不胜感激。

【问题讨论】：

看看EpyNN
如果您建议我研究 EpyNN。我确实在那里搜索了我的问题的答案，不幸的是我找不到任何东西。不过还是谢谢。
阅读源代码。时间步长与 RNN 前向传播有关。批量大小与数据嵌入有关。或者，只需在 RNN 页面上为“step”执行 ctrl+F。此外，您可以在link 那里找到数据准备方面的答案（例如您关于温度的问题）

标签： machine-learning time-series regression lstm recurrent-neural-network

【解决方案1】：

给定：

import numpy as np

x = np.array([[[1], [0], [1]]])

print(x.shape)

输出：

(1, 3, 1)

这是针对m 样本s 时间步长和e 每个时间步长的测量值。

(m, s, e)

在任何情况下，数据点的数量都是数组的大小，所以：

m * s * e

每个样本的数据点数：

s * e

如果您在一小时内每秒测量一个样品的温度。

(1, 3600, 1)

如果您测量温度和湿度。

(1, 3600, 2)

假设您同时对 2 个样本（在位置 A 和 B）执行此操作。

(2, 3600, 2)

批量大小根本不相关。

对于每个 epoch，它仅表示您想要一次运行多少个样本。例如，对于 100 个批量大小为 50 的样本，每个 epoch 有两次权重更新。

【讨论】：

我对你在一个样本上所说的意思感到困惑。我的 x 数据具有相同的形状 [instances, timesteps, # of Independent variables]，所以如果我有 2500 个数据点，则形状变为 [2500, timesteps, 8]，这里 8 是输入特征的数量。感谢您的时间和解释，这意味着很多。
sample 表示您命名法中的实例。但绝对让我们详细浏览 EpyNN 网站和源代码（参见 github）。我为此写了 EpyNN :)。
"输入 X 的形状为 (m, s, e)，其中 m 等于样本数，s 是序列中的步骤数，e 是序列每个步骤中的元素数。"我确实浏览了github源代码，但是我仍然不清楚如何选择步数。假设我们测量了 20 多个小时并获得了 2000 个数据点。 2000 是米。如果你想改变s，你是否也必须改变m。如果 m 是 2000，s 必须是 1？
另外，感谢批量大小的解释。这与我之前所说的相反。批量越小，每个 epoch 更新的权重就越多，花费的时间就越长。
您没有“选择”时间步数。我认为您很困惑，并且您认为 RNN 单元/单元的数量与时间步长有关。无论如何都不是。见here。对于批量大小，它不一定（仅）与速度相关联。见here。