时间:2021-05-22
我就废话不多说了,大家还是直接看代码吧~
print(np.shape(X))#(1920, 45, 20)X=sequence.pad_sequences(X, maxlen=100, padding='post')print(np.shape(X))#(1920, 100, 20)model = Sequential()model.add(Masking(mask_value=0,input_shape=(100,20)))model.add(LSTM(128,dropout_W=0.5,dropout_U=0.5))model.add(Dense(13,activation='softmax'))model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])# 用于保存验证集误差最小的参数,当验证集误差减少时,保存下来checkpointer = ModelCheckpoint(filepath="keras_rnn.hdf5", verbose=1, save_best_only=True, )history = LossHistory()result = model.fit(X, Y, batch_size=10, nb_epoch=500, verbose=1, validation_data=(testX, testY), callbacks=[checkpointer, history])model.save('keras_rnn_epochend.hdf5')补充知识:RNN(LSTM)数据形式及Padding操作处理变长时序序列dynamic_rnn
Summary
RNN
样本一样,计算的状态值和输出结构一致,也即是说只要当前时刻的输入值也前一状态值一样,那么其当前状态值和当前输出结果一致,因为在当前这一轮训练中权重参数和偏置均未更新
RNN的最终状态值与最后一个时刻的输出值一致
输入数据要求格式为,shape=(batch_size, step_time_size, input_size),那么,state的shape=(batch_size, state_size);output的shape=(batch_size, step_time_size, state_size),并且最后一个有效输出(有效序列长度,不包括padding的部分)与状态值会一样
LSTM
LSTM与RNN基本一致,不同在于其状态有两个c_state和h_state,它们的shape一样,输出值output的最后一个有效输出与h_state一致
用变长RNN训练,要求其输入格式仍然要求为shape=(batch_size, step_time_size, input_size),但可指定每一个批次中各个样本的有效序列长度,这样在有效长度内其状态值和输出值原理不变,但超过有效长度的部分的状态值将不会发生改变,而输出值都将是shape=(state_size,)的零向量(注:RNN也是这个原理)
需要说明的是,不是因为无效序列长度部分全padding为0而引起输出全为0,状态不变,因为输出值和状态值得计算不仅依赖当前时刻的输入值,也依赖于上一时刻的状态值。其内部原理是利用一个mask matrix矩阵标记有效部分和无效部分,这样在无效部分就不用计算了,也就是说,这一部分不会造成反向传播时对参数的更新。当然,如果padding不是零,那么padding的这部分输出和状态同样与padding为零的结果是一样的
'''#样本数据为(batch_size,time_step_size, input_size[embedding_size])的形式,其中samples=4,timesteps=3,features=3,其中第二个、第四个样本是只有一个时间步长和二个时间步长的,这里自动补零'''import pandas as pdimport numpy as npimport tensorflow as tftrain_X = np.array([[[0, 1, 2], [9, 8, 7], [3,6,8]], [[3, 4, 5], [0, 10, 110], [0,0,0]], [[6, 7, 8], [6, 5, 4], [1,7,4]], [[9, 0, 1], [3, 7, 4], [0,0,0]], [[9, 0, 1], [3, 3, 4], [0,0,0]] ]) sequence_length = [3, 1, 3, 2, 2]train_X.shape, train_X[:,2:3,:].reshape(5, 3)tf.reset_default_graph()x = tf.placeholder(tf.float32, shape=(None, 3, 3)) # 输入数据只需能够迭代并符合要求shape即可,list也行,shape不指定表示没有shape约束,任意shape均可rnn_cell = tf.nn.rnn_cell.BasicRNNCell(num_units=6) # state_size[hidden_size]lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(num_units=6) # state_size[hidden_size]outputs1, state1 = tf.nn.dynamic_rnn(rnn_cell, x, dtype=tf.float32, sequence_length=sequence_length)outputs2, state2 = tf.nn.dynamic_rnn(lstm_cell, x, dtype=tf.float32, sequence_length=sequence_length)with tf.Session() as sess: sess.run(tf.global_variables_initializer()) # 初始化rnn_cell中参数变量 outputs1, state1 = sess.run((outputs1, state1), feed_dict={x: train_X}) outputs2, state2 = sess.run([outputs2, state2], feed_dict={x: train_X}) print(outputs1.shape, state1.shape) # (4, 3, 5)->(batch_size, time_step_size, state_size), (4, 5)->(batch_size, state_size) print(outputs2.shape) # state2为LSTMStateTuple(c_state, h_state) print("---------output1<rnn>state1-----------") print(outputs1) # 可以看出output1的最后一个时刻的输出即为state1, 即output1[:,-1,:]与state1相等 print(state1) print(np.all(outputs1[:,-1,:] == state1)) print("---------output2<lstm>state2-----------") print(outputs2) # 可以看出output2的最后一个时刻的输出即为LSTMStateTuple中的h print(state2) print(np.all(outputs2[:,-1,:] == state2[1]))再来怼怼dynamic_rnn中数据序列长度tricks
思路样例代码
from collections import Counterimport numpy as nporigin_data = np.array([[1, 2, 3], [3, 0, 2], [1, 1, 4], [2, 1, 2], [0, 1, 1], [2, 0, 3] ])# 按照指定列索引进行分组(看作RNN中一个样本序列),如下为按照第二列分组的结果# [[[1, 2, 3], [0, 0, 0], [0, 0, 0]],# [[3, 0, 2], [2, 0, 3], [0, 0, 0]],# [[1, 1, 4], [2, 1, 2], [0, 1, 1]]]# 第一步,将原始数据按照某列序列化使之成为一个序列数据def groupby(a, col_index): # 未加入索引越界判断 max_len = max(Counter(a[:, col_index]).values()) for i in set(a[:, col_index]): d[i] = [] for sample in a: d[sample[col_index]].append(list(sample))# for key in d:# d[key].extend([[0]*a.shape[1] for _ in range(max_len-len(d[key]))]) return list(d.values()), [len(_) for _ in d.values()]samples, sizes = groupby(origin_data, 2)# 第二步,根据当前这一批次的中最大序列长度max(sizes)作为padding标准(不同批次的样本序列长度可以不一样,但同一批次要求一样(包括padding的部分)),当然也可以一次性将所有样本(不按照批量)按照最大序列长度padding也行,可能空间浪费paddig_samples = np.zeros([len(samples), max(sizes), 3])for seq_index, seq in enumerate(samples): paddig_samples[seq_index, :len(seq), :] = seqpaddig_samples以上这篇keras在构建LSTM模型时对变长序列的处理操作就是小编分享给大家的全部内容了,希望能给大家一个参考,也希望大家多多支持。
声明:本页内容来源网络,仅供用户参考;我单位不保证亦不表示资料全面及准确无误,也不保证亦不表示这些资料为最新信息,如因任何原因,本网内容或者用户因倚赖本网内容造成任何损失或损害,我单位将不会负任何法律责任。如涉及版权问题,请提交至online#300.cn邮箱联系删除。
在Keras中有两种深度学习的模型:序列模型(Sequential)和通用模型(Model)。差异在于不同的拓扑结构。序列模型Sequential序列模型各层之
Keras确实是一大神器,代码可以写得非常简洁,但是最近在写LSTM和DeepFM的时候,遇到了一个问题:样本的长度不一样。对不定长序列的一种预处理方法是,首先
简而言之就是,nn.Sequential类似于Keras中的贯序模型,它是Module的子类,在构建数个网络层之后会自动调用forward()方法,从而有网络模
lstm(*input,**kwargs)将多层长短时记忆(LSTM)神经网络应用于输入序列。参数:input_size:输入'x'中预期特性的数量hidden
Keras是一个用于构建和训练深度学习模型的高阶API。它可用于快速设计原型、高级研究和生产。keras的3个优点:方便用户使用、模块化和可组合、易于扩展1.导