Tensorflow 中的批处理、batch_size、时间步长和特征之间有什么区别？
What is the difference between batch, batch_size, timesteps & features in Tensorflow?
我是深度学习的新手，对术语一窍不通。
在 Tensorflow 文档中，
对于 [RNN 层] https://www.tensorflow.org/api_docs/python/tf/keras/layers/RNN#input_shape
N-D tensor with shape [batch_size, timesteps, ...]
对于 [LSTM 层]
https://www.tensorflow.org/api_docs/python/tf/keras/layers/LSTM
inputs: A 3D tensor with shape [batch, timesteps, feature].
我理解 input_shape，我们不必指定 batch/batch 大小。
但我还是想知道batch和batch size的区别。
什么是时间步长与特征？
第一个维度总是批次吗？ 2nd-D = 时间步长，3rd-D = 特征？
示例 1
data = array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
data = data.reshape((1, 5, 2))
print(data.shape) --> (1, 5, 2)
print(data)
[[[ 1 2]
[ 3 4]
[ 5 6]
[ 7 8]
[ 9 10]]]
model = Sequential()
model.add(LSTM(32, input_shape=(5, 2)))
示例 2
data1 = array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10,11])
n_features = 1
data1 = data1.reshape((len(data1), n_features))
print(data1)
# define generator
n_input = 2
generator = TimeseriesGenerator(data1, data1, length=n_input, stride=2, batch_size=10)
# number of batch
print('Batches: %d' % len(generator))
# OUT --> Batches: 1
# print each batch
for i in range(len(generator)):
x, y = generator[i]
print('%s => %s' % (x, y))
x, y = generator[0]
print(x.shape)
[[[ 1]
[ 2]]
[[ 3]
[ 4]]
[[ 5]
[ 6]]
[[ 7]
[ 8]]
[[ 9]
[10]]] => [[ 3]
[ 5]
[ 7]
[ 9]
[11]]
(5, 2, 1)
# define model
model = Sequential()
model.add(LSTM(100, activation='relu', input_shape=(n_input, n_features)))
batch_size 与 batch
之间的区别
在您引用的文档中，batch 表示 batch_size。
timesteps 和 feature
的含义
看一眼 https://www.tensorflow.org/tutorials/structured_data/time_series（使用真实数据的天气预报示例！）将帮助您更多地了解时间序列数据。
feature 是您希望模型根据其进行预测的内容；在上面的预测例子中，它是压力、温度等的向量（数组）...
RNN/ LSTM 旨在处理时间序列。这就是为什么您需要将 timesteps 和 feature 一起提供给您的模型。 timesteps表示记录数据的时间；同样，在上面的示例中，数据每小时采样一次，因此 timesteps == 0 是第一个小时采集的数据，timesteps == 1 第二个小时采集的数据，...
输入/输出数据的维度顺序
在TensorFlow中，数据的第一个维度经常代表一个batch。
批处理轴之后是什么，取决于问题字段。通常，全局特征（如批量大小）先于元素特定特征（如图像大小）。
示例：
- 时间序列数据采用
(batch_size, timesteps, feature) 格式。
- 图像数据通常以 NHWC 格式表示：
(batch_size, image_height, image_width, channels)。
来自 https://www.tensorflow.org/guide/tensor#about_shapes :
While axes are often referred to by their indices, you should always
keep track of the meaning of each. Often axes are ordered from global
to local: The batch axis first, followed by spatial dimensions, and
features for each location last. This way feature vectors are
contiguous regions of memory.
我是深度学习的新手，对术语一窍不通。
在 Tensorflow 文档中，
对于 [RNN 层] https://www.tensorflow.org/api_docs/python/tf/keras/layers/RNN#input_shape
N-D tensor with shape [batch_size, timesteps, ...]
对于 [LSTM 层] https://www.tensorflow.org/api_docs/python/tf/keras/layers/LSTM
inputs: A 3D tensor with shape [batch, timesteps, feature].
我理解 input_shape，我们不必指定 batch/batch 大小。 但我还是想知道batch和batch size的区别。
什么是时间步长与特征？
第一个维度总是批次吗？ 2nd-D = 时间步长，3rd-D = 特征？
示例 1
data = array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
data = data.reshape((1, 5, 2))
print(data.shape) --> (1, 5, 2)
print(data)
[[[ 1 2]
[ 3 4]
[ 5 6]
[ 7 8]
[ 9 10]]]
model = Sequential()
model.add(LSTM(32, input_shape=(5, 2)))
示例 2
data1 = array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10,11])
n_features = 1
data1 = data1.reshape((len(data1), n_features))
print(data1)
# define generator
n_input = 2
generator = TimeseriesGenerator(data1, data1, length=n_input, stride=2, batch_size=10)
# number of batch
print('Batches: %d' % len(generator))
# OUT --> Batches: 1
# print each batch
for i in range(len(generator)):
x, y = generator[i]
print('%s => %s' % (x, y))
x, y = generator[0]
print(x.shape)
[[[ 1]
[ 2]]
[[ 3]
[ 4]]
[[ 5]
[ 6]]
[[ 7]
[ 8]]
[[ 9]
[10]]] => [[ 3]
[ 5]
[ 7]
[ 9]
[11]]
(5, 2, 1)
# define model
model = Sequential()
model.add(LSTM(100, activation='relu', input_shape=(n_input, n_features)))
batch_size 与 batch
之间的区别
在您引用的文档中，batch 表示 batch_size。
timesteps 和 feature
的含义
看一眼 https://www.tensorflow.org/tutorials/structured_data/time_series（使用真实数据的天气预报示例！）将帮助您更多地了解时间序列数据。
feature 是您希望模型根据其进行预测的内容；在上面的预测例子中，它是压力、温度等的向量（数组）...
RNN/ LSTM 旨在处理时间序列。这就是为什么您需要将 timesteps 和 feature 一起提供给您的模型。 timesteps表示记录数据的时间；同样，在上面的示例中，数据每小时采样一次，因此 timesteps == 0 是第一个小时采集的数据，timesteps == 1 第二个小时采集的数据，...
输入/输出数据的维度顺序
在TensorFlow中，数据的第一个维度经常代表一个batch。
批处理轴之后是什么，取决于问题字段。通常，全局特征（如批量大小）先于元素特定特征（如图像大小）。
示例：
- 时间序列数据采用
(batch_size, timesteps, feature)格式。 - 图像数据通常以 NHWC 格式表示：
(batch_size, image_height, image_width, channels)。
来自 https://www.tensorflow.org/guide/tensor#about_shapes :
While axes are often referred to by their indices, you should always keep track of the meaning of each. Often axes are ordered from global to local: The batch axis first, followed by spatial dimensions, and features for each location last. This way feature vectors are contiguous regions of memory.