我们应该如何对全序列进行分类？

Question

我想将完整的序列分为两类。我在网上搜索了很多，但没有找到任何结果。我首选的方法是使用 keras 的 LSTM 模型将可变行的“完整”序列分为两类。这种方法的问题是 X 和 y 的形状不同。这是我为解释我的问题而编写的示例代码。

import numpy as np
from keras.layers import Dense,LSTM
from keras.models import Sequential

#(no of samples, no of rows,step, feature)
feat= np.random.randint(0, 100, (150, 250, 25,10))

#(no of samples, binary_output)
target= np.random.randint(0, 2, (150, 1))

#model
model = Sequential()
model.add(LSTM(10, input_shape=(25, 10), return_sequences=True))
model.add(LSTM(10,return_sequences=False))
model.add(Dense(1, activation='softmax'))
model.compile(loss='binary_crossentropy', optimizer='rmsprop')
print model.summary()

for i in xrange(target.shape[0]):
    X=feat[i]
    y=target[i]
    model.fit(X,y)

这里我有 150 个样本序列，我想将它们分类为 0 或 1。问题是这样的

ValueError：输入数组的样本数应与目标数组相同。找到 250 个输入样本和 1 个目标样本。

如果在深度学习方法中没有办法实现这一点，您能否推荐任何其他机器学习算法？

编辑

许多人对此表示怀疑

#(no of samples, no of rows,step, feature)
feat= np.random.randint(0, 100, (150, 250, 25,10))

150 是样本数（将其视为 150 个时间序列数据）。 250 和 10 是 250 行 10 列的时间序列数据。 (250, 25,10) 增加了 25 个时间步，这样它就可以传递给 keras lstm 输入

Answer 1

问题是当你这样做时

X=feat[i]
y=target[i]

这会删除第一个轴，这会导致X.shape = (250, 25, 10) 和y.shape == (1,)。当您调用 model.fit(X, y) 时，keras 会假设 X 有 250 个样本，而 y 只有一个样本。这就是您收到该错误的原因。

您可以通过提取feat 和target 的切片来解决此问题，例如调用

X=feat[i:i+batch_size]
y=target[i:i+batch_size]

其中batch_size 是您希望每次迭代使用的样本数。如果你设置了batch_size = 1，你应该在你的代码中得到你想要的行为。