Keras LSTM 中的时间步长和特征如何工作？

理解 LSTM 时间步长和特征

在给定的 Keras 代码中，trainX 数组的形状为（样本、时间步长、特征） ）。这意味着数据被重新整形为三维数组，其中第一维表示样本数，第二维表示时间步数，第三维表示特征数。

在您提供的图表的上下文中，每个绿色框代表一个时间步，每个粉色框代表一个特征。因此，代码正在考虑“多对一”的情况，其中每个绿色框（时间步）有多个粉色框（特征）。

在考虑多元序列时，特征参数变得相关，例如同时对两只金融股票进行建模。在这种情况下，每个特征将代表一只股票，特征的数量将等于正在建模的股票的数量。

了解有状态 LSTM

有状态 LSTM 不会保存批次运行之间的单元内存值。相反，它们在内部跨批次维护其状态。在所提供的代码的情况下，批量大小为 1，LSTM 将根据当前输入更新其内部状态，并使用该状态来处理下一个输入。通过重置训练运行之间的状态，LSTM 被迫在每个批次中重新开始。

这种行为对于预测未来时间步等情况非常重要，其中模型需要记住过去输入的上下文做出准确的预测。

附加说明

• 术语“时间”步骤”是指序列中连续元素的数量。在 LSTM 的背景下，时间步通常被认为代表时间间隔。
• 术语“特征”是指模型中使用的不同类型的数据。例如，在金融股票模型中，特征可以是股票的开盘价、收盘价、最高价和最低价。

以上是Keras LSTM 中的时间步长和特征如何工作？的详细内容。更多信息请关注PHP中文网其他相关文章！