Bagaimanakah cara saya membentuk semula data siri masa untuk digunakan dengan LSTM Keras, dan apakah kepentingan LSTM berstatus serta parameter \'langkah masa\' dan \'ciri\'?

Memahami Keras LSTM

Membentuk Semula Data untuk Analisis Siri Masa

Dalam Keras, data siri masa biasanya dibentuk semula menjadi tatasusunan tiga dimensi dengan dimensi [sampel, langkah masa, ciri]. Format ini diperlukan untuk lapisan LSTM, yang memproses data secara berurutan dari semasa ke semasa.

• Sampel: Bilangan jujukan dalam set data anda
• Langkah Masa : Panjang setiap jujukan (bilangan masa langkah)
• Ciri: Bilangan ciri input pada setiap langkah masa

Sebagai contoh, jika anda mempunyai 5 urutan latihan setiap satu dengan 10 langkah masa dan 1 ciri, data anda akan dibentuk semula kepada (5, 10, 1).

Stateful LSTM

LSTM berstatus membenarkan model mengekalkan keadaan dalamannya antara kelompok. Ini bermakna model mengingati keadaan tersembunyi selepas memproses kumpulan dan menggunakannya sebagai input untuk kumpulan seterusnya. Ini amat berguna apabila berurusan dengan data berjujukan, di mana output semasa bergantung pada input sebelumnya.

Dalam kod Keras yang anda berikan, stateful=True ditetapkan kepada True, menunjukkan bahawa LSTM adalah stateful. Batch_size ditetapkan kepada 1, yang bermaksud bahawa model akan memproses satu jujukan pada satu masa. Model ini akan mengekalkan nilai memori sel antara larian latihan, membolehkannya mempelajari kebergantungan jangka panjang dalam data.

Langkah Masa dan Ciri

• Langkah Masa : Bilangan langkah masa dalam data input mewakili panjang jujukan yang sedang dipertimbangkan. Dalam imej, kotak merah jambu mewakili panjang jujukan.
• Ciri: Setiap langkah masa mempunyai beberapa ciri input, iaitu nilai yang digunakan oleh LSTM. Dalam imej, bilangan ciri ialah bilangan kotak hijau dalam setiap kotak merah jambu.

Jika anda menggunakan siri masa berbilang variasi, di mana setiap langkah masa mempunyai berbilang ciri input (cth., harga saham ), bilangan ciri akan lebih besar daripada 1.

Memahami Seni Bina LSTM

Pelaksanaan LSTM Keras yang anda berikan mempunyai lapisan LSTM tunggal dengan 4 unit dan urutan kembali True. Ini bermakna LSTM akan mengeluarkan urutan panjang 4 untuk setiap langkah masa input.

Model ini kemudiannya disusun dengan fungsi kehilangan ralat kuasa dua min dan pengoptimum Adam. Gelung latihan berulang selama 100 zaman, dengan saiz kelompok 1.

Perlu ambil perhatian bahawa model LSTM ini direka bentuk untuk meramalkan langkah masa seterusnya berdasarkan langkah masa sebelumnya. Walau bagaimanapun, model boleh diubah suai untuk tugas lain seperti klasifikasi jujukan atau pemodelan bahasa dengan menukar lapisan keluaran dan fungsi kehilangan.

Atas ialah kandungan terperinci Bagaimanakah cara saya membentuk semula data siri masa untuk digunakan dengan LSTM Keras, dan apakah kepentingan LSTM berstatus serta parameter \'langkah masa\' dan \'ciri\'?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!