Рекуррентные нейронные сети (RNN) предназначены для изучения данных последовательности. Как вы догадываетесь, они определенно могут принимать несколько функций в качестве входных данных! RNN Keras принимают двумерные входы ( T , F ) временных шагов T и функции F (здесь я игнорирую размер пакета).
Однако вам не всегда нужны или нужны промежуточные временные шаги, t = 1, 2 ... ( T - 1). Поэтому Keras гибко поддерживает оба режима. Чтобы он вывел все T временных шагов, передайте return_sequences=True
свой RNN (например, LSTM
или GRU
) при создании. Если вам нужен только последний временной шаг t = T , используйте return_sequences=False
(по умолчанию, если вы не переходите return_sequences
к конструктору).
Ниже приведены примеры обоих этих режимов.
Пример 1: Изучение последовательности
Вот быстрый пример обучения LSTM (тип RNN), который поддерживает всю последовательность вокруг. В этом примере каждая точка входных данных имеет 2 временных шага, каждый с 3 функциями; выходные данные имеют 2 временных шага (потому что return_sequences=True
), каждый с 4 точками данных (потому что это размер, который я передаю LSTM
).
import keras.layers as L
import keras.models as M
import numpy
# The inputs to the model.
# We will create two data points, just for the example.
data_x = numpy.array([
# Datapoint 1
[
# Input features at timestep 1
[1, 2, 3],
# Input features at timestep 2
[4, 5, 6]
],
# Datapoint 2
[
# Features at timestep 1
[7, 8, 9],
# Features at timestep 2
[10, 11, 12]
]
])
# The desired model outputs.
# We will create two data points, just for the example.
data_y = numpy.array([
# Datapoint 1
[
# Target features at timestep 1
[101, 102, 103, 104],
# Target features at timestep 2
[105, 106, 107, 108]
],
# Datapoint 2
[
# Target features at timestep 1
[201, 202, 203, 204],
# Target features at timestep 2
[205, 206, 207, 208]
]
])
# Each input data point has 2 timesteps, each with 3 features.
# So the input shape (excluding batch_size) is (2, 3), which
# matches the shape of each data point in data_x above.
model_input = L.Input(shape=(2, 3))
# This RNN will return timesteps with 4 features each.
# Because return_sequences=True, it will output 2 timesteps, each
# with 4 features. So the output shape (excluding batch size) is
# (2, 4), which matches the shape of each data point in data_y above.
model_output = L.LSTM(4, return_sequences=True)(model_input)
# Create the model.
model = M.Model(input=model_input, output=model_output)
# You need to pick appropriate loss/optimizers for your problem.
# I'm just using these to make the example compile.
model.compile('sgd', 'mean_squared_error')
# Train
model.fit(data_x, data_y)
Пример 2. Изучение последнего временного шага
Если, с другой стороны, вы хотите обучить LSTM, который выводит только последний временной шаг в последовательности, то вам нужно установить return_sequences=False
(или просто полностью удалить его из конструктора, поскольку False
это значение по умолчанию). А затем ваши выходные данные ( data_y
в приведенном выше примере) необходимо переставить, так как вам нужно только указать последний временной шаг. Таким образом, во втором примере каждая точка входных данных по-прежнему имеет 2 временных шага, каждый с 3 функциями. Выходные данные, однако, представляют собой просто один вектор для каждой точки данных, потому что мы сгладили все до одного временного шага. Каждый из этих выходных векторов все еще имеет 4 особенности (потому что это размер, который я передаю LSTM
).
import keras.layers as L
import keras.models as M
import numpy
# The inputs to the model.
# We will create two data points, just for the example.
data_x = numpy.array([
# Datapoint 1
[
# Input features at timestep 1
[1, 2, 3],
# Input features at timestep 2
[4, 5, 6]
],
# Datapoint 2
[
# Features at timestep 1
[7, 8, 9],
# Features at timestep 2
[10, 11, 12]
]
])
# The desired model outputs.
# We will create two data points, just for the example.
data_y = numpy.array([
# Datapoint 1
# Target features at timestep 2
[105, 106, 107, 108],
# Datapoint 2
# Target features at timestep 2
[205, 206, 207, 208]
])
# Each input data point has 2 timesteps, each with 3 features.
# So the input shape (excluding batch_size) is (2, 3), which
# matches the shape of each data point in data_x above.
model_input = L.Input(shape=(2, 3))
# This RNN will return timesteps with 4 features each.
# Because return_sequences=False, it will output 2 timesteps, each
# with 4 features. So the output shape (excluding batch size) is
# (2, 4), which matches the shape of each data point in data_y above.
model_output = L.LSTM(4, return_sequences=False)(model_input)
# Create the model.
model = M.Model(input=model_input, output=model_output)
# You need to pick appropriate loss/optimizers for your problem.
# I'm just using these to make the example compile.
model.compile('sgd', 'mean_squared_error')
# Train
model.fit(data_x, data_y)