返回状态Keras-多变量输出

请参阅

返回状态

部分中的此博客：

我正在尝试实现一个多变量（预测2个输出-

y1

和

y2

）

stateful

LSTM

模型。以下是片段：

## defining the model
def my_model():
    input_x = Input(batch_shape=(batch_size, look_back, x_train.shape[2]), name='input')
    drop = Dropout(0.5)

    lstm_1, state_h, state_c = LSTM(50, return_sequences=False,batch_input_shape=(batch_size, look_back, x_train.shape[2]),return_state=True)(input_x)
    lstm_1_drop = drop(lstm_1)

    y1 = Dense(1, activation='linear', name='op1')(lstm_1_drop)
    y2 = Dense(1, activation='linear', name='op2')(lstm_1_drop)

    model = Model(inputs=input_x, outputs=[y1,y2])

    optimizer = Adam(lr=0.0005, decay=0.00001)
    model.compile(loss='mse', optimizer=optimizer,metrics=['mse'])
    model.summary()
    return model

model = my_model()

history = model.fit(x_train, [y_11_train,y_22_train], epochs=1, batch_size=batch_size, verbose=0, shuffle=False)

问题

我这里有一些问题：我不确定它是否在这里得到了正确的实现，因为我没有在

Model（）

的

输出中输入
lstm\u 1，state\u h，state\u c
，正如在博客中所解释的，因为这里我有两个不同的预测，而不是博客中所述的1

如果我必须在
Model（）
的
输出中输入
lstm\u 1、state\u h、state\u c
，
Model.fit
部分中输入

我们将非常感谢您的帮助

感谢阅读这篇博文，作者似乎确实在输出中实现了state_h来调查lstm层的内部。这样的输出可以用于已经训练过的网络，但不能用于训练

对于培训，您可以安全地将信息保留在输出中。
如果您希望在预测期间获得信息，只需定义第二个模型：

model = Model(inputs=input_x, outputs=[y1,y2,state_h,state_c])

然后，Keras将重用您已经训练过的图层，您可以在输出中获得信息，而无需担心您的训练。
Hi@dennis ec感谢您的评论。如果我理解正确，我现在将有两个模型，
model1=Model（输入=输入，输出=[y1，y2]）
和
model2=Model（输入=输入，输出=[y1，y2，状态h，状态c]）
model1
用于
模型。fit
和
model2
用于
model2。预测（x_测试，批次大小=批次大小）
。它会给我所需的有状态输出再次感谢您的输入。您的model.fit应该很好。如果我正确理解博文，则表示lstm的内部表示形式state_h和state_c不应成为模型中的培训目标。这看起来更像是作者想要在进一步的用例中提到它们。在您想要进行的端到端培训中，您不需要在输出中使用它们。我发布的代码仅适用于您希望在培训后查看这些状态的情况。你的训练应该是完全正确的。