用于 LSTM 的 Keras 多元形状

Question

我正在尝试塑造数据框，以便能够在 R 上运行 LSTM。

我有 100 个列表，每个列表有 4 个特征和 10 行，我想预测 100 个值。 我已将我的列表重塑为一个数组尝试运行模型，但出现类似于此的错误

  ValueError: Data cardinality is ambiguous:
  x sizes: 10
  y sizes: 100

我不明白我需要将什么形状应用于我的数组才能使其工作

我将我的问题重新创建为数据样本

library("keras")
#creation of the dataframe 

x <- data.frame(
x1 = sample(c(0,1), replace=TRUE, size=1000),
x2 = sample(c(0,1), replace=TRUE, size=1000),
x3 = sample(c(0,1), replace=TRUE, size=1000),
x4 = sample(c(0,1), replace=TRUE, size=1000)
)

y <- data.frame( y = sample(c(0,1), replace=TRUE, size=100))


#transform into list 
x_list <- list()

for(i in 1:100) {
  
  x_list[[i]] <- x[(10*i+1) :((1+i)*10),]  
  
}

#transform into array 

arr_x <- array_reshape(as.numeric(unlist(x_list)), 
               dim = c(dim(x_list[[1]])[1],
                       dim(x_list[[1]])[2],
                       length(x_list) )
)

dim(x_list[[1]])[1]
dim(x_list[[1]])[2]
length(x_list)




lstm_model <- keras_model_sequential()

lstm_model %>%
  layer_lstm(units = 64, 
             input_shape = c(10,4),
             return_sequences = TRUE
  )



lstm_model %>%
  compile(optimizer = 'rmsprop', metrics = 'binary_crossentropy')

summary(lstm_model)



lstm_model %>% fit(
  x = arr_x,
  y = y,
  batch_size = 1,
  epochs = 20,
  verbose = 0,
  shuffle = FALSE
)

Answer 1

阅读 Jovan 的评论后，我明白了如何解决我的问题 基本上我的数组的形状被定义为 10,4,100

arr_x <- array_reshape(as.numeric(unlist(x_list)), 
               dim = c(dim(x_list[[1]])[1],
                       dim(x_list[[1]])[2],
                       length(x_list) )
)

但多元 LSTM 的数组必须采用这种形状（样本、步骤、特征）

在这种情况下，它应该是 c(100,10,4)，因为我有 100 个样本、10 个步骤和 4 个特征

arr_x <- array_reshape(as.numeric(unlist(x_list)), 
               dim = c(length(x_list) ,
                       dim(x_list[[1]])[1],
                       dim(x_list[[1]])[2] )
)

Answer 2

您的 LSTM 模型需要完全相同数量的 X 和 Y 训练大小，如果您打算将其划分为训练集和测试集，这也是测试大小，因为它不会对 100 行响应变量 Y 训练 1000 行 X（独立）的任何意义，如果您想针对 100 个预测变量训练数据集，也使用 100 行独立变量

1 --> 所以我在这里更新您的示例数据集：

x <- data.frame(
  x1 = sample(c(0,1), replace=TRUE, size=1000),
  x2 = sample(c(0,1), replace=TRUE, size=1000),
  x3 = sample(c(0,1), replace=TRUE, size=1000),
  x4 = sample(c(0,1), replace=TRUE, size=1000)
)

y <- data.frame(y = sample(c(0,1), replace=TRUE, size=1000))

2 --> 然后，转到构建 LSTM 模型层并编译，这里我做了一些修改，我在 LSTM 和 return_sequences 之后添加了 1 个密集层到 FALSE，基于我的经验，如果你要训练一个深度 LSTM 模型，请使用return_sequences=TRUE，然后在 LSTM 模型的末尾使用return_sequences=FALSE 将权重返回到另一层，在编译阶段添加loss 参数是强制性的，这将计算模型的误差项：

lstm_model <- keras_model_sequential()

lstm_model %>%
  layer_lstm(units = 64, input_shape = c(4,1), return_sequences = FALSE) %>%
  layer_dense(1, activation="relu")

lstm_model %>%
  compile(optimizer = 'rmsprop', 
          metrics = 'binary_accuracy', 
          loss = "binary_crossentropy")

3 --> 为了使x 和y 适合模型，将其转换为矩阵，如下所示：

x_mat <- as.matrix(x)
y_mat <- as.matrix(y)
dim(x_mat) <- c(nrow(x_mat), ncol(x_mat), 1) # Make X (The Independent into 3 Dimensional)

lstm_model %>% fit(
  x = x_mat,
  y = y_mat,
  batch_size = 2,
  validation_split=0.7, #I add this so 700 datasets will be train instead of 1000 (300 will be used as validation (testing datasets))
  epochs = 10,
  verbose = 1,
  shuffle = FALSE
)

4 --> 然后模型将开始学习，如果您发现准确度不是很令人满意，我自己记录的一些技巧是尝试通过以下方式进行调整：

A) 优化器参数中的学习率参数，例如 lr=0.0001 与 lr=0.01 相比较小的学习率正在制作模型以学习更稳健的预测

B) 基于数据集独立和响应分布的更高效层的变化

C) 如果预测的最终拟合结果似乎欠拟合，请尝试制作比广义模型更多的深度模型

D) 改变密集层的激活函数，在某些情况下也有帮助。