训练具有可变数量特征的 Keras LSTM 模型答案

【问题标题】：Train Keras LSTM model with a variable number of features训练具有可变数量特征的 Keras LSTM 模型
【发布时间】：2018-06-25 09:31:37
【问题描述】：

我正在 Keras 中训练一个 seq-to-seq 自动编码器，我的输入是 (num_examples, time_step, num_features)。问题是，num_features 并不是所有示例都相同，此外，我将来会获得更多未知 num_feature 大小的示例。

到目前为止我的代码是：

    # model architecture
    inputs = Input(shape=data.shape[1:])

    encoded1 = LSTM(32, return_sequences=True)(inputs)
    encoded2 = LSTM(32)(encoded1)

    latent_space = Dense(encoding_size)(encoded2)

    decoded1 = RepeatVector(1)(latent_space)
    decoded2 = LSTM(encoding_size, return_sequences=True)(decoded1)

    sequence_autoencoder = Model(inputs, decoded2)

我尝试使用：inputs = Input(shape=(1, None))，但它会引发错误。关于如何解决这个问题的任何想法？

【问题讨论】：

标签： keras lstm recurrent-neural-network autoencoder

【解决方案1】：

在使用 lstm 时，可以通过在输入形状中将 None 设置为 timestep 来处理不同大小的输入。

inputs = Input(shape=(BATCH_SIZE,None,channels))

通过这种方式，您可以向 LSTM 提供可变大小的输入。

【讨论】：

我不完全理解这个解决方案.. 这只适用于分类问题吗？那么时间序列呢，时间步长是明确的？
@robertotomás 该解决方案也适用于时间序列预测。这个想法是为推理提供可变大小的序列。
这似乎是一个变量steps，而不是features。