让我了解模型

Question

我正在处理在 R 中使用 LSTM 预测电力输出的问题。我为我的数据找到了一个非常合适的代码 here。但问题是我不明白这是什么意思

1. 单位
2. 输入形状
3. layer_dropout
4. layer_dropout
5. 损失
6. 亚当

下面是我提到问题列表的代码。

    model %>%
  layer_lstm(units = 100,
             input_shape = c(datalags, 2),
             batch_size = batch.size,
             return_sequences = TRUE,
             stateful = TRUE) %>%
  layer_dropout(rate = 0.5) %>%
  layer_lstm(units = 50,
             return_sequences = FALSE,
             stateful = TRUE) %>%
  layer_dropout(rate = 0.5) %>%
  layer_dense(units = 1)

model %>%
  compile(loss = 'mae', optimizer = 'adam')

Answer 1

这些参数在此处的参考文档中定义：

https://keras.rstudio.com/reference/layer_lstm.html

参数对象模型或层对象

units 正整数，输出空间的维度。

activation 要使用的激活函数。默认值：双曲正切 （谭）。如果传递 NULL，则不应用激活（即“线性” 激活：a(x) = x)。

recurrent_activation 用于循环的激活函数 一步。

use_bias 布尔值，层是否使用偏置向量。

return_sequences 布尔值。是否返回最后的输出 输出序列，或完整序列。

return_state 布尔值（默认为 FALSE）。是否返回最后一个 除了输出之外的状态。

go_backwards 布尔值（默认为 FALSE）。如果为 TRUE，则处理输入 倒序并返回逆序。

有状态的布尔值（默认为 FALSE）。如果为 TRUE，则每个状态的最后一个状态 批次中索引 i 处的样本将用作 下一批中索引 i 的样本。

展开布尔值（默认为 FALSE）。如果为 TRUE，网络将是 展开，否则将使用符号循环。展开可以加速 RNN，虽然它往往更占用内存。展开只是 适用于短序列。

kernel_initializer 内核权重矩阵的初始化器，使用 用于输入的线性变换。

recurrent_initializer 用于recurrent_kernel 权重的初始化器 矩阵，用于循环状态的线性变换。

bias_initializer 偏置向量的初始化器。

unit_forget_bias 布尔值。如果为 TRUE，则将忘记的偏差加 1 初始化时的门。将其设置为 true 也会强制 bias_initializer="零"。这是 Jozefowicz 等人推荐的。

kernel_regularizer 应用于内核权重的正则化函数 矩阵。

recurrent_regularizer 正则化函数应用于 循环内核权重矩阵。

bias_regularizer 正则化函数应用于偏置向量。

activity_regularizer 应用于输出的正则化函数 层（它的“激活”）..

kernel_constraint 应用于内核权重的约束函数 矩阵。

recurrent_constraint 约束函数应用于 循环内核权重矩阵。

bias_constraint 应用于偏置向量的约束函数。

dropout 介于 0 和 1 之间的浮点数。要丢弃的单位的分数 输入的线性变换。

recurrent_dropout 介于 0 和 1 之间的浮点数。 drop 用于循环状态的线性变换。

input_shape 输入的维度（整数），不包括 样品轴。使用该层作为 模型中的第一层。

batch_input_shape 形状，包括批量大小。例如， batch_input_shape=c(10, 32) 表示预期的输入将是 10 个 32 维向量的批次。 batch_input_shape=list(NULL, 32) 表示任意数量的 32 维向量的批次。

batch_size 层的固定批量大小

dtype 输入期望的数据类型，作为字符串（float32， float64, int32...)

name 图层的可选名称字符串。应该是独一无二的 模型（不要重复使用相同的名称两次）。它将自动生成，如果 没有提供。

trainable 训练期间是否会更新层权重。

weights 层的初始权重。