适合 ConvLSTM 的时间序列数据答案

【问题标题】：Time Series data to fit for ConvLSTM适合 ConvLSTM 的时间序列数据
【发布时间】：2022-08-02 23:23:49
【问题描述】：

我使用了 4057 个样本的股票数据，将其分为 28 个时间步长，具有 25 个特征。

TrainX shape: (4057, 28, 25)

Target由5类整数组成

[0,1,2,3,4]

并重塑为：

trainX_reshape= trainX.reshape(4057,1, 28,25,1)
testX_reshape= testX.reshape(1334,1, 28,25,1)

试图拟合模型：

seq =Sequential([
    ConvLSTM2D(filters=40, kernel_size=(3, 3),input_shape=(1, 28, 25, 1),padding=\'same\', return_sequences=True),
    BatchNormalization(),
    ConvLSTM2D(filters=40, kernel_size=(3, 3),padding=\'same\', return_sequences=True),
    BatchNormalization(),
    ConvLSTM2D(filters=40, kernel_size=(3, 3),padding=\'same\', return_sequences=True),
    BatchNormalization(),
    ConvLSTM2D(filters=40, kernel_size=(3, 3),padding=\'same\', return_sequences=True),
    BatchNormalization(),
    Conv3D(filters=5, kernel_size=(3, 3, 3),activation=\'sigmoid\',padding=\'same\', data_format=\'channels_last\')
])

编译

seq.compile(loss=\'sparse_categorical_crossentropy\', optimizer=\'rmsprop\')

history = seq.fit(trainX_reshape, trainY, epochs=10,
               batch_size= 128, shuffle=False, verbose = 1,
               validation_data=(testX_reshape, testY),
               # validation_split=0.2)

它给出了错误：

InvalidArgumentError: Graph execution error:

如何解决？我尝试了很多方法，但没有任何线索。

代码和数据位于： https://drive.google.com/drive/folders/1WDa_CUO1Mr7wZTqE3wHsR0Tp_3NRMcZ6?usp=sharing

在 colab 上工作

标签： python tensorflow keras

【解决方案1】：

如果您使用稀疏整数标签，则模型的输出没有任何意义。尝试：

seq =Sequential([
    ConvLSTM2D(filters=40, kernel_size=(3, 3),input_shape=(1, 28, 25, 1),padding='same', return_sequences=True),
    BatchNormalization(),
    ConvLSTM2D(filters=40, kernel_size=(3, 3),padding='same', return_sequences=True),
    BatchNormalization(),
    ConvLSTM2D(filters=40, kernel_size=(3, 3),padding='same', return_sequences=True),
    BatchNormalization(),
    ConvLSTM2D(filters=40, kernel_size=(3, 3),padding='same', return_sequences=True),
    BatchNormalization(),
    Conv3D(filters=5, kernel_size=(3, 3, 3),padding='same', data_format='channels_last'),
    GlobalMaxPooling3D(),
    Dense(5, activation='softmax')
])

【讨论】：