在 Keras 中设置 RNN 的输入
Setting up the input on an RNN in Keras
所以我有一个关于在 Keras 中设置输入的具体问题。
我了解到序列长度是指您要建模的最长序列的 window 长度，其余部分用 0 填充。
但是，如何设置时间序列数组中已有的内容？
例如，现在我有一个 550k x 28 的数组。所以有 550k 行，每行有 28 列（27 个特征和 1 个目标）。我是否必须手动将数组拆分为（550k 序列长度）不同的数组并将所有这些数组提供给网络？
假设我希望第一层等于每行的特征数，并查看过去的 50 行，我如何调整输入层的大小？
是否只是 input_size = (50,27)，我是否必须手动拆分数据集，或者 Keras 会自动为我拆分数据集？
RNN 输入如下：(NumberOfSequences, TimeSteps, ElementsPerStep)
每个序列都是输入数组中的一行。这也称为“批量大小”、示例数、样本等。
时间步长是每个序列的步数
每步元素数是序列中每一步的信息量
我假设 27 个特征是输入并与 ElementsPerStep 相关，而 1 个目标是预期输出，每步有 1 个输出。
所以我还假设你的输出是一个也有 550k 步的序列。
整形数组：
因为数组中只有一个序列，而这个序列有 550k 步，那么你必须像这样重塑你的数组：
(1, 550000, 28)
#1 sequence
#550000 steps per sequence
#28 data elements per step
#PS: this sequence is too long, if it creates memory problems to you, maybe it will be a good idea to use a `stateful=True` RNN, but I'm explaining the non stateful method first.
现在您必须将此数组拆分为输入和目标：
X_train = thisArray[:, :, :27] #inputs
Y_train = thisArray[:, :, 27] #targets
塑造keras层：
Keras 层在定义它们时将忽略批量大小（序列数），因此您将使用 input_shape=(550000,27).
由于您想要的结果是一个长度相同的序列，我们将使用return_sequences=True。 （否则，您只会得到一个结果）。
LSTM(numberOfCells, input_shape=(550000,27), return_sequences=True)
这将输出 (BatchSize, 550000, numberOfCells)
的形状
您可以使用带有 1 个单元格的单层来实现输出，或者您可以堆叠更多层，考虑到最后一层应该有 1 个单元格以匹配输出的形状。 （当然，如果你只使用循环层）
状态=真：
当你的序列太长以至于你的记忆无法很好地处理它们时，你必须用 stateful=True.
定义层
在这种情况下，您必须将 X_train 分成更小的长度序列 *。系统会理解每个新批次都是先前批次的 sequel。
然后你需要定义batch_input_shape=(BatchSize,ReducedTimeSteps,Elements)。在这种情况下，不应像其他情况那样忽略批量大小。
* 不幸的是我没有使用 stateful=True 的经验。我不确定您是否必须手动划分数组（我猜不太可能），或者系统是否会自动在内部划分它（更有可能）。
滑动window案例：
在这种情况下，我经常看到的是人们这样划分输入数据：
从 550k 步开始，得到具有 50 步的更小数组：
X = []
for i in range(550000-49):
X.append(originalX[i:i+50]) #then take care of the 28th element
Y = #it seems you just exclude the first 49 ones from the original
所以我有一个关于在 Keras 中设置输入的具体问题。
我了解到序列长度是指您要建模的最长序列的 window 长度，其余部分用 0 填充。
但是，如何设置时间序列数组中已有的内容？
例如，现在我有一个 550k x 28 的数组。所以有 550k 行，每行有 28 列（27 个特征和 1 个目标）。我是否必须手动将数组拆分为（550k 序列长度）不同的数组并将所有这些数组提供给网络？
假设我希望第一层等于每行的特征数，并查看过去的 50 行，我如何调整输入层的大小？
是否只是 input_size = (50,27)，我是否必须手动拆分数据集，或者 Keras 会自动为我拆分数据集？
RNN 输入如下：(NumberOfSequences, TimeSteps, ElementsPerStep)
每个序列都是输入数组中的一行。这也称为“批量大小”、示例数、样本等。
时间步长是每个序列的步数
每步元素数是序列中每一步的信息量
我假设 27 个特征是输入并与 ElementsPerStep 相关，而 1 个目标是预期输出，每步有 1 个输出。
所以我还假设你的输出是一个也有 550k 步的序列。
整形数组：
因为数组中只有一个序列，而这个序列有 550k 步，那么你必须像这样重塑你的数组：
(1, 550000, 28)
#1 sequence
#550000 steps per sequence
#28 data elements per step
#PS: this sequence is too long, if it creates memory problems to you, maybe it will be a good idea to use a `stateful=True` RNN, but I'm explaining the non stateful method first.
现在您必须将此数组拆分为输入和目标：
X_train = thisArray[:, :, :27] #inputs
Y_train = thisArray[:, :, 27] #targets
塑造keras层：
Keras 层在定义它们时将忽略批量大小（序列数），因此您将使用 input_shape=(550000,27).
由于您想要的结果是一个长度相同的序列，我们将使用return_sequences=True。 （否则，您只会得到一个结果）。
LSTM(numberOfCells, input_shape=(550000,27), return_sequences=True)
这将输出 (BatchSize, 550000, numberOfCells)
您可以使用带有 1 个单元格的单层来实现输出，或者您可以堆叠更多层，考虑到最后一层应该有 1 个单元格以匹配输出的形状。 （当然，如果你只使用循环层）
状态=真：
当你的序列太长以至于你的记忆无法很好地处理它们时，你必须用 stateful=True.
在这种情况下，您必须将 X_train 分成更小的长度序列 *。系统会理解每个新批次都是先前批次的 sequel。
然后你需要定义batch_input_shape=(BatchSize,ReducedTimeSteps,Elements)。在这种情况下，不应像其他情况那样忽略批量大小。
* 不幸的是我没有使用 stateful=True 的经验。我不确定您是否必须手动划分数组（我猜不太可能），或者系统是否会自动在内部划分它（更有可能）。
滑动window案例：
在这种情况下，我经常看到的是人们这样划分输入数据：
从 550k 步开始，得到具有 50 步的更小数组：
X = []
for i in range(550000-49):
X.append(originalX[i:i+50]) #then take care of the 28th element
Y = #it seems you just exclude the first 49 ones from the original