我是 RNN 的新手，我想使用 Tensorflow 构建一个一对多的 RNN。我模型中的“一个”输入是 3 个坐标的向量（类似于 [x0, y0, z0]），而我希望实现的“多”输出是 50 个数字的序列，每个时间步长 1 个。
例如，我在 3d 空间中给出这个单点，例如 P = [1, 2, 3]，我希望预测 50 个数字的序列，表示该点连续 50 个时间步长的温度。
我对一些示例代码进行了很多搜索，但我在网络上找不到好的一对多 RNN。感谢您对此提供的帮助。
【问题讨论】：
标签： python tensorflow keras one-to-many recurrent-neural-network
如果我正确理解您的问题，您想要一个 RNN，其中输入 3 个特征 ([x0, y0, z0]) 并输出一个由 50 个数字组成的向量，代表 50 个时间步长的温度？
在这种情况下，您需要为要预测的每个时间步输入坐标，因为 RNN 的整个想法是，他们可以通过查看此类序列的示例来学习预测时间序列。您的数据需要采用以下结构：
您的坐标数据需要采用一种格式，其中包含您希望预测的每个时间步长的 x、y、z 数据。如果我们假设您有 10000 个数据点，那么您的输入数据需要具有以下形状：
[10000, 50, 3]
这里10000是数据点的数量，50是每个xyz坐标的时间步长，3是每个坐标给定的时间步长。
然后您的温度数据需要具有以下形状：
[10000, 50]
这里 10000 是 50 个时间步长的每个温度集合，50 是每个时间步长中的温度读数。
如果您只想使用 1 个坐标集来预测 50 个时间步长，您可以重新调整数据以在每个时间步长中具有相同的 50 个坐标。
假设你有这个数据集，你可以像这样构造一个简单的 RNN：
# ----- Define dummy data -----
coordinates = np.random.random([10000, 50, 3]).astype(np.float32)
temps = np.random.rand(10000,50)
# ----- Define RNN model -----
rnn_model = tf.keras.Sequential()
rnn_model.add(tf.keras.layers.SimpleRNN(128))
rnn_model.add(tf.keras.layers.Dense(50))
# ----- Compile model -----
rnn_model.compile(loss='mean_squared_error', optimizer=tf.keras.optimizers.Adam(1e-4))
# ----- Train model -----
history = rnn_model.fit(x=coordinates, y=temps, batch_size=32,epochs=50)
您当然需要根据任务更改网络结构，并且您还可以尝试其他循环层，例如 LSTM 层，但这应该让您了解基本知识。
【讨论】：