如何在 Keras 中重塑长短期记忆网络的输入数据

理解如何准备序列数据以输入到 LSTM 模型可能很困难。

通常，关于如何为 LSTM 模型定义输入层存在困惑。

关于如何将可能是 1D 或 2D 数字矩阵的序列数据转换为 LSTM 输入层所需的 3D 格式也存在困惑。

在本教程中，您将学习如何定义 LSTM 模型的输入层，以及如何为 LSTM 模型重塑已加载的输入数据。

完成本教程后，您将了解：

• 如何定义 LSTM 输入层。
• 如何为 LSTM 模型重塑一维序列数据并定义输入层。
• 如何为 LSTM 模型重塑多个并行序列数据并定义输入层。

通过我的新书《使用 Python 的长短期记忆网络》**启动您的项目**，其中包括**分步教程**和所有示例的 **Python 源代码**文件。

让我们开始吧。

如何在 Keras 中重塑长短期记忆网络的输入数据
图片由 全球景观论坛 提供，保留部分权利。

教程概述

本教程分为4个部分，它们是：

1. LSTM 输入层
2. 单输入样本的 LSTM 示例
3. 多输入特征的 LSTM 示例
4. LSTM 输入技巧

LSTM 输入层

LSTM 输入层通过网络第一个隐藏层上的“_input_shape_”参数指定。

这可能会让初学者感到困惑。

例如，下面是一个具有一个隐藏 LSTM 层和一个密集输出层的网络的示例。

在此示例中，LSTM() 层必须指定输入数据的形状。

每个 LSTM 层的输入必须是三维的。

此输入数据的三个维度是：

• **样本**。一个序列是一个样本。一个批次由一个或多个样本组成。
• **时间步长**。一个时间步长是样本中的一个观察点。
• **特征**。一个特征是在一个时间步长进行的一次观察。

这意味着输入层在拟合模型和进行预测时期望一个 3D 数据数组，即使数组的特定维度包含单个值，例如一个样本或一个特征。

在定义 LSTM 网络的输入层时，网络假定您有一个或多个样本，并要求您指定时间步长和特征的数量。您可以通过向“_input_shape_”参数指定一个元组来完成此操作。

例如，下面的模型定义了一个输入层，该层预期 1 个或更多样本、50 个时间步长和 2 个特征。

现在我们知道了如何定义 LSTM 输入层以及 3D 输入的期望，让我们看一些如何为 LSTM 准备数据的示例。

单输入样本的 LSTM 示例

考虑您有一个具有多个时间步长和一个特征的序列的情况。

例如，这可能是一个包含 10 个值的序列

我们可以将这个数字序列定义为一个 NumPy 数组。

然后，我们可以在 NumPy 数组上使用 _reshape()_ 函数将这个一维数组重塑为一个三维数组，其中包含 1 个样本、10 个时间步长和每个时间步长 1 个特征。

当对数组调用 _reshape()_ 函数时，它接受一个参数，该参数是一个定义数组新形状的元组。我们不能传递任何数字元组；重塑必须均匀地重新组织数组中的数据。

重塑后，我们可以打印数组的新形状。

综合所有这些，完整的示例如下所示。

运行示例会打印单个样本新的 3D 形状。

此数据现在可以作为输入（_X_）与 input_shape 为 (10, 1) 的 LSTM 一起使用。

多输入特征的 LSTM 示例

考虑您有多个并行序列作为模型输入的情况。

例如，这可能是两个包含 10 个值的并行序列

我们可以将这些数据定义为 2 列 10 行的矩阵

此数据可以被视为 1 个样本、10 个时间步长和 2 个特征。

它可以重塑为如下所示的 3D 数组

综合所有这些，完整的示例如下所示。

运行示例会打印单个样本新的 3D 形状。

此数据现在可以作为输入（_X_）与 input_shape 为 (10, 2) 的 LSTM 一起使用。

更长的示例

有关准备数据的完整端到端示例，请参阅此帖子

• 如何为长短期记忆网络准备单变量时间序列数据

LSTM 输入技巧

本节列出了一些提示，可帮助您为 LSTM 准备输入数据。

• LSTM 输入层必须是 3D 的。
• 3 个输入维度的含义是：样本、时间步长和特征。
• LSTM 输入层通过第一个隐藏层上的 _input_shape_ 参数定义。
• _input_shape_ 参数接受一个包含两个值的元组，这些值定义了时间步长和特征的数量。
• 样本数量假定为 1 或更多。
• NumPy 数组上的 _reshape()_ 函数可用于将您的 1D 或 2D 数据重塑为 3D。
• _reshape()_ 函数接受一个元组作为参数，该元组定义了新形状。

进一步阅读

如果您想深入了解此主题，本节提供了更多资源。

• 循环层 Keras API
• Numpy reshape() 函数 API
• 如何在 Python 中将时间序列转换为监督学习问题
• 将时间序列预测作为监督学习

总结

在本教程中，您学习了如何定义 LSTM 的输入层以及如何重塑序列数据以输入到 LSTM。

具体来说，你学到了：

• 如何定义 LSTM 输入层。
• 如何为 LSTM 模型重塑一维序列数据并定义输入层。
• 如何为 LSTM 模型重塑多个并行序列数据并定义输入层。

你有什么问题吗？
在下面的评论中提出你的问题，我会尽力回答。

立即开发用于序列预测的 LSTM！

在几分钟内开发您自己的 LSTM 模型。

...只需几行python代码

在我的新电子书中探索如何实现
使用 Python 构建长短期记忆网络

它提供关于以下主题的自学教程：
CNN LSTM、编码器-解码器 LSTM、生成模型、数据准备、进行预测等等...

最终将 LSTM 循环神经网络引入。
您的序列预测项目。

跳过学术理论。只看结果。

查看内容