Bagaimanakah Langkah dan Ciri Masa Mempengaruhi Prestasi Keras LSTM?

Memahami Langkah dan Ciri Masa dalam LSTM Keras

Untuk menjawab soalan anda, mari kita gali lebih dalam konsep langkah dan ciri masa yang berkaitan kepada LSTM yang dilaksanakan di Keras.

Langkah Masa dan Ciri

Dalam contoh Keras yang disediakan, data trainX dibentuk semula menjadi bentuk berikut:

(trainX.shape[0], look_back, 1)

• Langkah masa: Nilai look_back mewakili bilangan langkah masa dalam setiap urutan. Di sini, ia ditetapkan kepada 3, bermakna setiap baris dalam trainX mengandungi tiga titik data sebelumnya.
• Ciri: Bilangan ciri dalam jujukan sepadan dengan dimensi terakhir tensor data. Dalam kes ini, ia ialah 1, menunjukkan jujukan mengandungi hanya satu ciri (cth., harga saham).

Mengenai imej yang anda pautkan daripada blog Karpathy, setiap segi empat tepat "merah jambu" mewakili satu ciri dan segi empat tepat "hijau" menunjukkan langkah masa. Oleh itu, gambar rajah dalam imej akan sepadan dengan siri masa dengan tiga langkah masa dan dua ciri.

LSTM berstatus

LSTM berstatus mengekalkan keadaan dalaman yang membolehkan mereka untuk mengingati apa yang telah mereka pelajari semasa memproses urutan yang diberikan. Apabila menggunakannya dengan Keras, anda menetapkan parameter stateful kepada True.

Dalam contoh anda, anda menetapkan batch_size kepada 1 dan menggunakan model.fit() untuk latihan dengan shuffle=False. Ini bermakna setiap kelompok mengandungi satu jujukan dan LSTM sedang memproses jujukan dalam susunan yang sama yang muncul dalam data latihan. Akibatnya, keadaan LSTM dikekalkan merentas kelompok, membolehkannya belajar daripada keseluruhan jujukan.

Dengan menetapkan semula keadaan LSTM antara zaman latihan, anda secara berkesan "memulakan semula" proses pembelajaran untuk setiap zaman . Walau bagaimanapun, LSTM masih mengingati corak keseluruhan yang telah dipelajarinya merentas zaman.

Nota Penting

• Jika anda mempunyai berbilang jujukan bebas (cth., memodelkan dua stok harga serentak), setiap jujukan harus mempunyai lapisan LSTM sendiri.
• Bilangan langkah masa mesti ditentukan berdasarkan masalah khusus dan data yang sedang anda tangani.
• LSTM berstatus boleh berguna apabila anda ingin mempelajari kebergantungan dalam jujukan yang panjang, tetapi ia harus digunakan dengan berhati-hati kerana ia boleh memperkenalkan pemasangan lampau.

Atas ialah kandungan terperinci Bagaimanakah Langkah dan Ciri Masa Mempengaruhi Prestasi Keras LSTM?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!