了解时间戳在 Keras LSTM 中的作用答案

【问题标题】：Understanding the role of timestamp in Keras LSTM了解时间戳在 Keras LSTM 中的作用
【发布时间】：2020-11-28 21:24:43
【问题描述】：

给定一个包含 10232 个信号的信号数据集，每个 200K 暗淡 (10232, 200000) 用于分类目的。我对 Keras LSTM 的理解是它接受(samples, timestamp, features) 格式的数据。看了很多文章，发现 LSTM Keras 只接受 3D 的数据，所以我们应该首先将输入数据从 2D 扩展到 3D。以下是截图代码：

X = np.expand_dims(X, -1) # ---> (10232, 200000, 1)
input_layer = Input(shape=(X.shape[1], X.shape[2]))
lstm_ = LSTM(64, return_sequences=True)(input_layer)
lstm_ = Dropout(0.2)(lstm_)
lstm_ = LSTM(32, return_sequences=True)(lstm_)
lstm_ = Dropout(0.2)(lstm_)
lstm_ = LSTM(8)(lstm_)
output_layer = Dense(1, activation='sigmoid')(lstm_)
model = Model(inputs=input_layer, outputs=output_layer)

使时间戳等于每个时间序列X.shape[1] 的暗淡。我的问题是：如果我选择timestamp= 1000，即Input(shape=(1000, X.shape[2]))，会发生什么？我认为这意味着它以某种方式将最初为 dim=200K 的每个时间序列划分为每个 dim=1000 的样本。Keras 会为我创建这些样本，每个样本都有 dim=1000，还是我应该手动执行？

谢谢

【问题讨论】：

标签： python tensorflow keras lstm recurrent-neural-network

【解决方案1】：

如果您进行这些更改 - 您应该向网络序列提供 1000 个而不是 200K。 Keras 不会自动拆分 - 您必须手动进行。你应该为每1000个序列准备标签。

【讨论】：