Keras RNN 中的维数问题 - 重塑不起作用？

Question

让我们考虑一下我要对其执行 RNN 的随机数据集：

import random
import pandas as pd
from keras.models import Sequential
from keras.layers import Dense, SimpleRNN
from keras.optimizers import SGD
import numpy as np
df_train = random.sample(range(1, 100), 50)

我想应用滞后等于 1 的 RNN。我将使用我自己的函数：

def create_dataset(dataset, lags):
    dataX, dataY = [], []
    for i in range(lags):
        subdata = dataset[i:len(dataset) - lags + i]
        dataX.append(subdata)
    dataY.append(dataset[lags:len(dataset)])
    return np.array(dataX), np.array(dataY)

根据滞后数缩小数据框。它输出两个 numpy 数组——第一个是自变量，第二个是因变量。

x_train, y_train = create_dataset(df_train, lags = 1)

但现在当我尝试运行函数时：

model = Sequential()
model.add(SimpleRNN(1, input_shape=(1, 1)))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer=SGD(lr = 0.1))
history = model.fit(x_train, y_train, epochs=1000, batch_size=50, validation_split=0.2)

我得到错误：

ValueError: Error when checking input: expected simple_rnn_18_input to have 3 dimensions, but got array with shape (1, 49)

我读过它，解决方案只是应用重塑：

x_train = np.reshape(x_train, (x_train.shape[0], 1, x_train.shape[1]))

但是当我应用它时出现错误：

ValueError: Error when checking input: expected simple_rnn_19_input to have shape (1, 1) but got array with shape (1, 49)

我不确定哪里出错了。你能告诉我我做错了什么吗？

Answer 1

你所说的lags在文献中叫做look back。这种技术允许为 RNN 提供更多上下文数据并学习 mid/long 范围依赖性。

错误告诉您您正在为层（形状：1x1）提供数据集（形状：1x49）

错误背后有两个原因：

第一个是由于你的 create_dataset 正在构建一堆 1x(50 - lags) = 1x49 向量，这与你想要的相反 1x(lags) = 1x1.

特别是这一行负责人：

subdata = dataset[i:len(dataset) - lags + i]

# with lags = 1 you have just one
# iteration in range(1): i = 0
subdata = dataset[0:50 - 1 + 0]
subdata = dataset[0:49] # which is a 1x49 vector

# In order to create the right vector
# you need to change your function:

def create_dataset(dataset, lags = 1):
    dataX, dataY = [], []
    # iterate to a max of (50 - lags - 1) times
    # because we need "lags" element in each vector
    for i in range(len(dataset) - lags - 1):
        # get "lags" elements from the dataset
        subdata = dataset[i:i + lags]
        dataX.append(subdata)
        # get only the last label representing
        # the current element iteration
        dataY.append(dataset[i + lags])
    return np.array(dataX), np.array(dataY)

如果您在 RNN 中使用 look back，您还需要增加输入维度，因为您还要查看先前的样本。

网络确实正在寻找比 1 个样本更多的数据，因为它需要“回顾”更多样本以了解 mid/long 范围依赖性。

这比实际更概念化，在您的代码中没有问题，因为 lags = 1:

model.add(SimpleRNN(1, input_shape=(1, 1)))

# you should use lags in the input shape
model.add(SimpleRNN(1, input_shape=(1, LAGS)))

Keras RNN 中的维数问题 - 重塑不起作用？

Problem with dimensionality in Keras RNN - reshape isn't working?

python

neural-network

deep-learning

keras

recurrent-neural-network