带有 Keras 的 LSTM 用于小批量训练和在线测试

Question

我想在 Keras 中实现一个 LSTM 用于流式时间序列预测——即在线运行，一次获取一个数据点。 This is explained well here，但正如人们所假设的那样，在线 LSTM 的训练时间可能非常慢。我想在小批量上训练我的网络，并在线测试（运行预测）。在 Keras 中执行此操作的最佳方法是什么？

例如，小批量可能是在连续时间步长出现的 1000 个数据值 ([33, 34, 42, 33, 32, 33, 36, ... 24, 23]) 的序列。为了训练网络，我指定了一个形状为(900, 100, 1) 的数组X，其中有900 个长度为100 的序列，以及一个形状为(900, 1) 的数组y。例如，

X[0] = [[33], [34], [42], [33], ...]]
X[1] = [[34], [42], [33], [32], ...]]
...
X[999] = [..., [24]]

y[999] = [23]

所以对于每个序列X[i]，都有一个对应的y[i]，它代表时间序列中的下一个值——我们想要预测的值。

在测试中，我想预测下一个数据值 1000 到 1999。我通过为从 1000 到 1999 的每一步输入一个形状为 (1, 100, 1) 的数组来做到这一点，其中模型试图预测下一步的值。

这是解决我的问题的推荐方法和设置吗？启用有状态可能是纯在线实现的方式，但在 Keras 中，这需要在训练和测试中保持一致的batch_input_shape，这不符合我在小批量训练然后在线测试的意图。或者有什么办法可以做到这一点？

更新：尝试按照@nemo 的建议实施网络

我在博客文章 "Time Series Prediction with LSTM Recurrent Neural Networks in Python with Keras" 的示例网络上运行了我自己的数据集，然后尝试将预测阶段实现为有状态网络。

两者的模型构建和训练是相同的：

# Create and fit the LSTM network
numberOfEpochs = 10
look_back = 30
model = Sequential()
model.add(LSTM(4, input_dim=1, input_length=look_back))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(trainX, trainY, nb_epoch=numberOfEpochs, batch_size=1, verbose=2)
# trainX.shape = (6883, 30, 1)
# trainY.shape = (6883,)
# testX.shape = (3375, 30, 1)
# testY.shape = (3375,)

批量预测是通过：

trainPredict = model.predict(trainX, batch_size=batch_size)
testPredict = model.predict(testX, batch_size=batch_size)

为了尝试有状态的预测阶段，我运行了与以前相同的模型设置和训练，但随后进行了以下操作：

w = model.get_weights()
batch_size = 1
model = Sequential()
model.add(LSTM(4, batch_input_shape=(batch_size, look_back, 1), stateful=True))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
trainPredictions, testPredictions = [], []
for trainSample in trainX:
    trainPredictions.append(model.predict(trainSample.reshape((1,look_back,1)), batch_size=batch_size))
trainPredict = numpy.concatenate(trainPredictions).ravel()
for testSample in testX:
    testPredictions.append(model.predict(testSample.reshape((1,look_back,1)), batch_size=batch_size))
testPredict = numpy.concatenate(testPredictions).ravel()

为了检查结果，下图以蓝色显示实际（标准化）数据，以绿色显示对训练集的预测，以红色显示对测试集的预测。

第一个数字来自使用批量预测，第二个来自有状态。任何想法我做错了什么？

Answer 1

如果我对您的理解正确，您是在询问您是否可以在训练后启用有状态。这应该是可能的，是的。例如：

net = Dense(1)(SimpleRNN(stateful=False)(input))
model = Model(input=input, output=net)

model.fit(...)

w = model.get_weights()
net = Dense(1)(SimpleRNN(stateful=True)(input))
model = Model(input=input, output=net)
model.set_weights(w)

之后，您可以以有状态的方式进行预测。