时间序列转换为 Keras 输入答案

【问题标题】：Time series translation into Keras input时间序列转换为 Keras 输入
【发布时间】：2018-09-09 16:02:29
【问题描述】：

我有时间序列数据 (ECG)。我有 30 秒块的注释。每个块有 1000 个数据点。我们有 500 个这样的数据块。

目标，注释例如在 1 到 5 的范围内。

要清楚请看图

关于 X-DATA

如何将其转换为输入数据 [样本、时间步长、特征] 的 Keras 表示法？

我的猜测：

样本=块 (500)
timesteps=values(1000)
features= ECG 本身 (1)

导致 [500,1000,1]

关于 Y 数据（目标）

我的目标或 y 数据将导致 [500,1,1]

经过一次热编码后 [500,5,1]

问题在于 Keras 期望 X 和 y 数据具有相同的维度。但是将我的 ydata 增加到每个时间步长 1000 对我来说没有意义。

感谢您的帮助

附言无法直接回答，因为我和岳父母在一起。提前致谢

【问题讨论】：

标签： input keras time-series

【解决方案1】：

我认为您对 y 的看法不正确。根据我的理解，基于你的图表。 y 在一次热编码后实际上是 (500, 5) 。也就是说，对于每个块，都有一个结果。

此外，在 Keras 中，X 和 y 也不需要具有相同的维度（除非您有 seq2seq 要求，但这里不是这种情况）。

我们真正想要的是给我们一个概率分布的模型每个块的可能标签，我们将使用 softmax 来实现在最后一个 (Dense) 层上。

这是我模拟您的问题的方法：

import numpy as np
from keras.models import Model
from keras.layers import Dense, LSTM


# using eye doesn't capture one-hot but works for the example
series = np.random.rand(500, 1000, 1)
labels = np.eye(500, 5)

inp = Input(shape=(1000, 1))
lstm = LSTM(128)(inp)
out = Dense(5, activation='softmax')(lstm)
model = Model(inputs=[inp], outputs=[out])
model.summary()
model.compile(loss='categorical_crossentropy', optimizer='adam')
model.fit(series, labels)

【讨论】：

亲爱的 putonspectacles，非常感谢。需要明确的是，我对 X 数据的假设是否正确？确实，经过一次热编码后，我实际上有 Y of (500,1)。我添加了另一个维度，因为我认为它必须与 X 数据具有相同的维度。对于第一个测试，我使用带有 softmax 层的顺序模型作为输出。 ... .
...在那里，我收到一个值错误，告诉我它期望与输入相同的尺寸（现在 y beeing [500,5] 并且输出设置为 5）。这开始了我的困惑。使用 sigmoid 不提高值错误是否有区别？再次感谢你的帮助。复活节快乐，如果你庆祝的话。
您对 X 的假设似乎很好。 Sigmoid 给出了类的概率，因此在这种情况下它输出一个 (?, 5) 数组，这就是目标 y 的形状。所以我们不会得到值错误。