使用 keras 代码理解网络架构答案

【问题标题】：Network architecture understanding using keras code使用 keras 代码理解网络架构
【发布时间】：2017-02-24 10:27:23
【问题描述】：

我的数据是 68871 x 43，其中特征在第 1 列中。 1-43，每个标签表示为一个1x21向量

在我的 keras 代码中：

打印 trainX.shape -----> (41311, 10, 43)
打印 trainY.shape -----> (41311, 21)
打印 testX.shape ------> (27538, 10, 43)
打印 testY.shape ------> (27538, 21)

当我运行以下 keras 代码时：

model = Sequential()
model.add(LSTM(10, input_dim=43))
model.add(Dropout(0.3))
model.add(Dense(21, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
print(model.summary())
model.fit(trainX, trainY, validation_split=0.20, nb_epoch=1, batch_size=1, shuffle=False)
scores = model.evaluate(testX, testY, verbose=0)
print("Accuracy: %.2f%%" % (scores[1]*100))

代码执行如下

我对 keras 工具包的理解是，如果 trainX 的 3D 张量的形状为 (41311,10,43)，那么 keras 应该创建一个具有 10 个时间步长的 lstm。如果是这样，那么为什么屏幕截图中的示例会一一运行；如果时间步长为 10，那么它应该以 10 个批次运行并获得 10 个预测，然后运行接下来的 10 个样本批次。

任何人都可以回答我：为什么截图显示样本在时间步长为 10 时一个一个运行？

【问题讨论】：

标签： tensorflow deep-learning keras

【解决方案1】：

通过示例，他们了解形状为 (10,43) 的 numpy 数组。第一个维度是您的样本数量。

所以网络正在做的是： 1) 将输入分成形状的批次(batch, 10, 43)

2) 一次给 lstm 一个样本。一个样本是 10 个事件/张量的序列，每个事件/张量的长度为 43。所以每个序列是 1 个样本。

清楚吗？

【讨论】：

所以网络会等待输入 10 个事件/张量，然后再生成第一个预测（依此类推，最多 10 个预测）？
不，你构建它的方式是：1 个输入 = 1 个长度为 43 的 10 个张量的序列。另一种说法是：1 个输入 = 1 个 2D 形状的张量 (10,43)。你有 33048 个，因为它是 41311 个的 80%。
好的，我很清楚，非常感谢。我有一个不同的问题是：lstm 将在第一个形状为 (10,43) 的二维张量被输入到它之后开始给出预测（或）它将等待形状为 (10,43) 的第 10 个二维张量在给出第一个预测之前喂饱？
没有。 LSTM 的输入是向量序列，因此它们的输入是二维数组。第一个维度是序列中向量的数量，第二个维度是这些向量的长度。所以它会吃掉你 (10,43) 输入的第一个向量，这意味着一个大小为 43 的向量，然后它会吃第二个，然后是第三个，直到第 10 个向量。一旦处理了整个（10,43）输入，它就会输出一些东西......在你的情况下，你要求一个长度为 10 的向量作为 LSTM 的输出。
如果我的回答让你满意，别忘了点赞并接受答案：-) 谢谢