LSTM Keras API 预测多个输出

Question

我正在训练一个 LSTM 模型，使用 3 个不同特征的 50 个步骤序列作为输入，如下所示：

#x_train
[[[a0,b0,c0],.....[a49,b49,c49]],
  [a1,b1,c1]......[a50,b50,c50]],
  ...
  [a49,b49,c49]...[a99,b99,c99]]]

使用以下因变量

#y_train
[a50, a51, a52, ... a99]

下面的代码仅用于预测 a，如何让它在给定的时间步预测 return [a,b,c] 的向量？

def build_model():
model = Sequential()

model.add(LSTM(
    input_shape=(50,3),
    return_sequences=True, units=50))
model.add(Dropout(0.2))

model.add(LSTM(
    250,
    return_sequences=False))
model.add(Dropout(0.2))

model.add(Dense(1))
model.add(Activation("linear"))

model.compile(loss="mse", optimizer="rmsprop")
return model

Answer 1

每一层的输出取决于它有多少cells/units/filters。

您的输出有 1 个特征，因为 Dense(1...) 只有一个单元格。

只需将其设为 Dense(3...) 即可解决您的问题。

现在，如果您希望输出具有与输入相同的时间步数，则需要在所有 LSTM 层中打开 return_sequences = True。

LSTM 的输出是：

（批量大小，单位）- return_sequences=False
（批量大小、时间步长、单位）- return_sequences=True

然后您在后续层中使用 TimeDistributed 层包装器来工作，就好像它们也有时间步长一样（它基本上会保留中间的维度）。

def build_model():
    model = Sequential()

    model.add(LSTM(
        input_shape=(50,3),
        return_sequences=True, units=50))
    model.add(Dropout(0.2))

    model.add(LSTM(
        250,
        return_sequences=True))
    model.add(Dropout(0.2))

    model.add(TimeDistributed(Dense(3)))
    model.add(Activation("linear"))

    model.compile(loss="mse", optimizer="rmsprop")
    return model

LSTM Keras API 预测多个输出

LSTM Keras API predicting multiple outputs

machine-learning

keras

lstm

rnn