Skip to main content
 首页 » 编程设计

python之用于连续输入和连续输出的 Keras LSTM

2024年12月31日11EasonJim

例如,我有二进制数据,比方说:0, 0, 0, 1, 1, 0, 1, 1。这可能会无限期地继续下去。对于每个输入,都有相应的输出。假设我们使用异或运算。因此,输出可能如下所示:0, 0, 0, 1, 0, 1, 1, 0。

如何塑造 Keras 输入形状?如何设置时间步长?如果我声明时间步长 1 是每个 1 个时间步长被认为是不同的情况,或者它仍然可以考虑以前的输入作为序列或学习内存?

Keras 正在为其隐藏层使用 LSTM 或 GRU。

我已经尝试了 2 种方法来解决这个问题,但似乎都没有成功。这两种方法都停留在 37.5 acc。事实上,它一直在猜测 1。

方法一:

data = [[[0], [0], [0], [1], [1], [0], [1], [1]]] 
output = [[[0], [0], [0], [1], [0], [1], [1], [0]]] 
 
model = Sequential() 
model.add(GRU(10, input_shape=(8, 1), return_sequences=True)) 
model.add(GRU(10, return_sequences=True)) 
model.add(Dense(1, activation='softmax')) 
 
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['acc']) 
model.fit(np.asarray(data), np.asarray(output), epochs=3000) 

方法二:

data = [[[0]], [[0]], [[0]], [[1]], [[1]], [[0]], [[1]], [[1]]] 
output = [[0], [0], [0], [1], [0], [1], [1], [0]] 
 
model = Sequential() 
model.add(GRU(10, input_shape=(1, 1), return_sequences=True)) 
model.add(GRU(10)) 
model.add(Dense(1, activation='softmax')) 
 
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['acc']) 
model.fit(np.asarray(data), np.asarray(output), epochs=300) 

请您参考如下方法:

In fact, it keep guessing 1.

那是因为你使用了 softmax 作为最后一层的激活。由于最后一层只有一个单元,并且 softmax 函数对其输入进行归一化,使得元素之和等于 1,因此它始终输出 1。相反,您需要使用 sigmoid 作为激活函数最后一层的输出介于 0 和 1 之间。