我正在浏览LSTM神经网络上的以下博客:http : //machinelearningmastery.com/understanding-stateful-lstm-recurrent-neural-networks-python-keras/
作者针对LSTM的不同配置将输入向量X重塑为[样本,时间步长,特征]。
作者写道
实际上,字母序列是一个特征的时间步长,而不是单独特征的一个时间步长。我们为网络提供了更多的上下文,但是没有像预期的那样提供更多的顺序
这是什么意思?
我正在浏览LSTM神经网络上的以下博客:http : //machinelearningmastery.com/understanding-stateful-lstm-recurrent-neural-networks-python-keras/
作者针对LSTM的不同配置将输入向量X重塑为[样本,时间步长,特征]。
作者写道
实际上,字母序列是一个特征的时间步长,而不是单独特征的一个时间步长。我们为网络提供了更多的上下文,但是没有像预期的那样提供更多的顺序
这是什么意思?
Answers:
我在您关注的[样本,时间步长,功能]下方找到了它。
X = numpy.reshape(dataX, (len(dataX), seq_length, 1))
样本-这是len(dataX)或您拥有的数据点数量。
时间步长-这相当于您运行循环神经网络的时间步长。如果希望网络存储60个字符,则此数字应为60。
功能-这是每个时间步中的功能数量。如果要处理图片,则为像素量。在这种情况下,您似乎每个时间步都有1个功能。
t-n,..., t-2, t-1
用来预测t
。
为时已晚,但以防万一;
一个样品可能是指单独训练的例子。因此,“ batch_size”变量是您发送到神经网络的样本数。也就是说,您一次向神经网络提供了多少个不同的示例。
TimeSteps是时间的滴答声。您的每个样本需要多长时间。例如,一个样本可以包含128个时间步长,其中每个时间步长可以是信号处理的30秒。在自然语言处理(NLP)中,时间步长可能与字符,单词或句子相关联,具体取决于设置。
特征只是我们在每个时间步中输入的尺寸数。例如,在NLP中,可以使用word2vec用300个特征表示一个单词。对于信号处理,我们假设您的信号是3D。也就是说,您具有X,Y和Z信号,例如每个轴上的加速度计测量值。这意味着您将在每个时间步长为每个样本发送3个功能。
由纪尧姆
我用一个例子来回答:[“你好,这是xyz”,“你好吗”,“好人...”]
在这种情况下,“ [样本,时间步长,特征]”表示: