2024-04-25 07:23:18 发布
网友
我在Keras有一个LSTM,我正在培训如何预测时间序列数据。我希望网络在每个时间步输出预测,因为它将每15秒接收一个新的输入。所以我正在努力的是训练它的正确方法,这样它就可以输出h_0,h_1,…,h,t,作为一个恒定的流,当它接收到x_0,x逖1,…,x趶t作为输入流。这样做有没有最佳实践?在
通过设置^{},可以在LSTM层中启用有状态性。这将更改层的行为,使其始终使用上一次调用层的状态,而不是为每个layer.call(x)重置它。在
layer.call(x)
例如,具有32个单元的LSTM层,批次大小为1,序列长度为64,特征长度为10:
LSTM(32, stateful=True, batch_input_shape=(1,64,10))
连续调用predict将使用之前的状态。在
predict
通过设置^{} ,可以在LSTM层中启用有状态性。这将更改层的行为,使其始终使用上一次调用层的状态,而不是为每个
layer.call(x)
重置它。在例如,具有32个单元的LSTM层,批次大小为1,序列长度为64,特征长度为10:
连续调用
predict
将使用之前的状态。在相关问题 更多 >
编程相关推荐