性能不佳的keras lstm

Question

我想创建一个 lstm 模型来对信号进行分类。

假设我有 1000 个信号文件。每个文件都包含一个形状为 (500, 5) 的矩阵，这意味着在每个文件中，我有 5 个特征（列）和 500 行。

         0          1          2         3        4
0        5        5.3         2.3       4.2      2.2

...     ...       ...        ...         ...      ...

499     2500      1.2         7.4        6.7       8.6

对于每个文件，都有一个布尔值（True 或 False）输出。形状是 (1,)

我创建了一个数据库，data，形状为 (1000, 5, 500)，目标向量的形状为 (1000, 1)。

然后我拆分数据（X_train、X_test、y_train、y_test）。

这样的矩阵给lstm模型可以吗？因为我的表现很差。据我所见，人们只提供 1D 或 2D 数据，然后他们重塑数据以将 3D 输入提供给 lstm 层。

带lstm的代码是这样的：

input_shape=(X_train.shape[1], X_train.shape[2]) #(5,500), i.e timesteps and features
model = Sequential()
model.add(LSTM(20, return_sequences=True))
model.add(LSTM(20))
model.add(Dense(1))
model.compile(loss='mae', optimizer='adam')

我更改了 LSTM 层中的单元数和层数，但分数基本相同（0.19）。在我的情况下，有这么差的分数是正常的吗？有没有更好的方法？

谢谢

Answer 1

通过将数据转换为 (samples, 5, 500)，您可以为 LSTM 提供 5 个时间步长和 500 个特征。从您的数据看来，您似乎希望处理所有 500 行和每列的 5 个特征来进行预测。 LSTM 输入是（样本、时间步长、特征）。因此，如果您的行表示进行 5 次测量的时间步长，那么您需要置换最后 2 个维度并在第一个 LSTM 层中设置 input_shape=(500, 5)。

此外，由于您的输出是布尔值，您可以通过在最终密集层中使用 activation='sigmoid' 并使用 loss='binary_crossentropy 进行二进制分类进行训练，从而获得更稳定的训练。