Keras LSTM 网络预测所有信号属于同一类别（在 3 个不同的类别中）答案

【问题标题】：Keras LSTM network predicts all signals belong to the same category (among 3 different ones)Keras LSTM 网络预测所有信号属于同一类别（在 3 个不同的类别中）
【发布时间】：2020-08-11 15:58:09
【问题描述】：

我正在从事一个涉及信号分类的项目。我正在使用 keras 尝试不同的 ANN 模型，看看哪个更好，目前专注于简单的网络，但我正在努力使用 LSTM 模型，遵循以下示例：https://machinelearningmastery.com/how-to-develop-rnn-models-for-human-activity-recognition-time-series-classification/。

我的输入是从电子传感器获得的一维信号，该传感器将分为 3 个不同的类别。请参阅此处的两个不同类别的信号，因此您会看到它们随着时间的推移而完全不同。 https://www.dropbox.com/s/9ctdegtuyjamp48/example_signals.png?dl=0

从一个简单模型开始，我们正在尝试以下简单模型。由于信号的长度不同，因此对它们进行了屏蔽处理，将每个信号放大到最长的信号，屏蔽值为 -1000（我们的信号中不可能出现值）。使用以下命令将数据正确地从 2D 重塑为 3D（因为 LSTM 层需要 3D），因为我只有一个特征：

Inputs = Inputs.reshape((Inputs.shape[0],Inputs.shape[1],1))

然后，将数据分为训练和验证一并输入以下模型：

model = Sequential()
model.add(Masking(mask_value=-1000, input_shape=(num_steps,1)))
model.add(LSTM(20, return_sequences=False))
model.add(Dense(15, activation='sigmoid'))
model.add(Dense(3, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['categorical_accuracy'])

但是，由于某种原因，每次训练网络时，它总是预测所有信号都来自同一类别，每次训练可能是不同的类别，通常是输入数据中包含更多案例的类别。如果我强制对每个类别使用相同数量的数据对网络进行训练，那么会一直给我相同的结果。

我认为这种行为不正常：可能会出现准确度不佳的情况，但这一定与模型中的一些基本错误有关，因为训练中的给定数据输入正确，没有错误在那里，多次重新检查。任何人都知道为什么会这样？让我知道是否有更多信息对添加到这篇文章有用。

【问题讨论】：

标签： keras classification lstm

【解决方案1】：

仅供任何好奇的读者参考：最后我可以通过规范化数据来解决它。

def LSTM_input_normalize(inputs):
    new_inputs = []
    for in_ in inputs:
        if -1000 in in_:
            start_idx = np.where(in_ == -1000)[0][0]  # index of the first "-1000" in the sequence
        else:
            start_idx = in_.shape[0]

        # compute mean and std of the current sequence
        curr_mean = np.mean(in_[:start_idx])
        curr_std = np.std(in_[:start_idx])

        # normalize the single sequence
        in_[:start_idx] = (in_[:start_idx] - curr_mean) / curr_std

        new_inputs.append(in_)
    return np.array(new_inputs)

【讨论】：