Keras LSTM 中的時間步長和特徵如何運作？

理解LSTM 時間步長和特徵

在給定的Keras 程式碼中，trainX 陣列的形狀為（樣本、時間步長、特徵） ）。這意味著資料被重新整形為三維數組，其中第一維表示樣本數，第二維表示時間步數，第三維表示特徵數。

在您提供的圖表的上下文中，每個綠色框代表一個時間步，每個粉紅色框代表一個特徵。因此，程式碼正在考慮「多對一」的情況，其中每個綠色框（時間步）有多個粉紅色框（特徵）。

在考慮多元序列時，特徵參數變得相關，例如同時對兩隻金融股票進行建模。在這種情況下，每個特徵將代表一隻股票，特徵的數量將等於正在建模的股票的數量。

了解有狀態 LSTM

有狀態 LSTM 不會保存批次運作之間的單元記憶體值。相反，它們在內部跨批次維護其狀態。在所提供的程式碼的情況下，批次大小為 1，LSTM 將根據目前輸入更新其內部狀態，並使用該狀態來處理下一個輸入。透過重置訓練運行之間的狀態，LSTM 被迫在每個批次中重新開始。

這種行為對於預測未來時間步等情況非常重要，其中模型需要記住過去輸入的上下文做出準確的預測。

附加說明

• 術語「時間」步驟」是指序列中連續元素的數量。在 LSTM的背景下，時間步通常被認為代表時間間隔。收盤價、最高價和最低價。

以上是Keras LSTM 中的時間步長和特徵如何運作？的詳細內容。更多資訊請關注PHP中文網其他相關文章！