了解时间戳在 Keras LSTM 中的作用

Question

给定一个包含 10232 个信号的信号数据集，每个 200K 暗淡 (10232, 200000) 用于分类目的。我对 Keras LSTM 的理解是它接受 (samples, timestamp, features) 格式的数据。看了很多文章，原来 LSTM Keras 只接受 3D 的数据，所以我们应该先将输入数据从 2D 扩展到 3D。以下是截图代码：

X = np.expand_dims(X, -1) # ---> (10232, 200000, 1)
input_layer = Input(shape=(X.shape[1], X.shape[2]))
lstm_ = LSTM(64, return_sequences=True)(input_layer)
lstm_ = Dropout(0.2)(lstm_)
lstm_ = LSTM(32, return_sequences=True)(lstm_)
lstm_ = Dropout(0.2)(lstm_)
lstm_ = LSTM(8)(lstm_)
output_layer = Dense(1, activation='sigmoid')(lstm_)
model = Model(inputs=input_layer, outputs=output_layer)

使时间戳等于每个时间序列的 dim X.shape[1]。我的问题是：如果我选择 timestamp= 1000，即 Input(shape=(1000, X.shape[2]))，会发生什么？我认为这意味着它以某种方式将最初为 dim= 200K 的每个时间序列划分为每个 dim= 1000 的样本。Keras 会为我创建这些样本，每个样本都有 dim= 1000 还是我应该手动执行？

谢谢

Answer 1

如果您进行这些更改 - 您应该将 1000 个而不是 200K 个序列提供给网络。 Keras 不会自动分割——你必须手动分割。你应该为每个 1000 的序列准备标签。

了解时间戳在 Keras LSTM 中的作用

Understanding the role of timestamp in Keras LSTM

python

tensorflow

keras

lstm

recurrent-neural-network