如何选择 LSTM Keras 参数？

Question

我有多个时间序列的输入，我想正确构建 LSTM 模型。

我真的很困惑如何选择参数。我的代码：

model.add(keras.layers.LSTM(hidden_nodes, input_shape=(window, num_features), consume_less="mem"))
model.add(Dropout(0.2))
model.add(keras.layers.Dense(num_features, activation='sigmoid'))

optimizer = keras.optimizers.SGD(lr=learning_rate, decay=1e-6, momentum=0.9, nesterov=True)

我想了解每一行的输入参数的含义以及如何选择这些参数。

其实我对代码没有任何问题，但我需要清楚地了解参数以获得更好的结果。

非常感谢！

Answer 1

keras.io 文档的 part 非常有帮助：

LSTM 输入形状：具有形状的 3D 张量（batch_size、timesteps、input_dim）

这里还有一张图片说明了这一点：

我还将解释您示例中的参数：

model.add(LSTM(hidden_nodes, input_shape=(timesteps, input_dim)))
model.add(Dropout(dropout_value))

hidden_​​nodes = 这是 LSTM 的神经元数量。如果您的数字更大，则网络会变得更强大。然而，要学习的参数数量也在增加。这意味着需要更多时间来训练网络。

时间步数 = 您要考虑的时间步数。例如。如果你想对一个句子进行分类，这将是一个句子中的单词数。

input_dim = 特征/嵌入的尺寸。例如。句子中单词的向量表示

dropout_value = 为了减少过拟合，dropout 层只是随机抽取一部分可能的网络连接。该值是每个 epoch/batch 所考虑的网络连接的百分比。

如您所见，无需指定 batch_size。 Keras 会自动处理它。

optimizer = keras.optimizers.SGD(lr=learning_rate, decay=1e-6, momentum=0.9, nesterov=True)

learning_rate = 表示每批更新多少权重。

decay = learning_reate 随着时间的推移减少了多少。

动量 = 动量率。较高的值有助于克服局部最小值，从而加快学习过程。 Further explanation.

nesterov = 如果应该使用nesterov 动量。 Here is a good explanation.