Keras RNN 回归输入维度和架构

Question

我最近在 Keras 中构建了一个 CNN（以 Tensorflow 作为后端），它以恒星光谱作为输入并预测三个恒星参数作为输出：温度、表面重力和金属度。我现在正在尝试创建一个执行相同操作的 RNN，以便比较两个模型。

在搜索示例和论坛后，我没有遇到很多与我的项目足够相似的应用程序。我尝试实现一个简单的 RNN，看看我是否能得出合理的结果，但到目前为止还没有运气：网络似乎根本没有在学习。

我真的可以使用一些指导来帮助我入门。具体来说： RNN 是否适合此类问题？ 模型的正确输入形状是什么？我知道这取决于网络的架构，所以我想我的下一个问题是：什么是能够计算回归预测的简单架构？

我的输入数据是这样的，我有 m=50,000 个光谱，每个光谱有 n=7000 个数据点，并且我正在尝试学习 L=3 个输出标签。我也有 n & L 维度相同的测试集和交叉验证集。 当我将输入数据构造为 (m,n,1) 并将输出目标构造为 (m,L) 并使用以下架构时，损失似乎并没有减少。

n=7000
L=3

## train_X.shape = (50000, n, 1)

## train_Y.shape = (50000, L)

## cv_X.shape = (10000, n, 1)

## cv_Y.shape = (10000, L)

batch_size=32

lstm_layers = [16, 32]

input_shape = (None, n, 1)



model = Sequential([
    InputLayer(batch_input_shape=input_shape),
    LSTM(lstm_layers[0],return_sequences=True, dropout_W=0.2, dropout_U=0.2),
    LSTM(lstm_layers[1], return_sequences=False),
    Dense(L),
    Activation('linear')
])

model.compile(loss='mean_squared_error',
          optimizer='adam',
          metrics=['accuracy'])





model.fit(train_X, train_Y, batch_size=batch_size, nb_epoch=20,
      validation_data=(cv_X, cv_Y), verbose=2)

我也尝试将输入形状更改为 (m, 1, n)，但仍然没有成功。我不是在寻找一个最佳的网络，只是一些可以训练的东西，然后我可以从那里拿走它。我的输入数据不是时间序列的，但是频谱的一个部分和前一个部分之间存在关系，所以有没有一种方法可以将每个频谱构造成一个二维数组，让 RNN 从中学习恒星参数光谱？

Answer 1

首先你设置

train_X.shape = (50000, n, 1)

那你写

input_shape = (None, 1, n)

你为什么不试试

input_shape = (None, n, 1) ?

让您的 RNN 接收n 时间步长序列和每个时间步长 1 个值比其他方式更有意义。

有帮助吗？ :)

**编辑：**

好的，在重读这里之后，我为您的问题提供 2cents：LSTM 不是一个好主意。

1) 因为没有“时间”信息，所以频谱信息中没有“方向”。例如，LSTM 擅长捕捉世界的变化状态。将频谱开头的信息与结尾的信息结合起来并不是最好的。它将从头开始“读取”，并且随着状态的更新，该信息将逐渐消失。您可以尝试使用双向 LSTM 来反驳“没有方向”的事实。但是，转到第二点。

2) 7000 个时间步对于 LSTM 来说实在是太多了。当它训练时，在反向传播步骤中，LSTM 展开，信息将必须经过“7000 层”（实际上不是 7000 层，因为它们具有相同的权重）。这是非常非常难以训练的。我会将 LSTM 限制为最大 100 步（根据我的经验）。

否则你的输入形状是正确的:)

您是否尝试过深度全连接网络？！我相信这会更有效率。