具有可变特征数量的列车Keras LSTM模型
我正在Keras中训练一个顺序到顺序的自动编码器,我的输入是具有可变特征数量的列车Keras LSTM模型,keras,lstm,recurrent-neural-network,autoencoder,Keras,Lstm,Recurrent Neural Network,Autoencoder,我正在Keras中训练一个顺序到顺序的自动编码器,我的输入是(num\u示例、时间步长、num\u特性)。问题是,num\u features对于所有示例都不一样,而且,我将来还会得到更多未知num\u features大小的示例 到目前为止,我的代码是: # model architecture inputs = Input(shape=data.shape[1:]) encoded1 = LSTM(32, return_sequences=True)(inputs)
(num\u示例、时间步长、num\u特性)
。问题是,num\u features
对于所有示例都不一样,而且,我将来还会得到更多未知num\u features
大小的示例
到目前为止,我的代码是:
# model architecture
inputs = Input(shape=data.shape[1:])
encoded1 = LSTM(32, return_sequences=True)(inputs)
encoded2 = LSTM(32)(encoded1)
latent_space = Dense(encoding_size)(encoded2)
decoded1 = RepeatVector(1)(latent_space)
decoded2 = LSTM(encoding_size, return_sequences=True)(decoded1)
sequence_autoencoder = Model(inputs, decoded2)
我尝试了:
inputs=Input(shape=(1,None))
但它抛出了一个错误。有什么想法吗?在使用lstm时,可以通过在输入形状中将None设置为timestep来处理输入大小的变化
inputs = Input(shape=(BATCH_SIZE,None,channels))
通过这种方式,您可以向LSTM提供可变大小的输入。我不完全理解此解决方案。。这只适用于分类问题吗?那么时间序列呢,时间步长是显式的呢?@robertotomás这个解决方案也可以用于时间序列预测。其思想是为推理提供一个可变大小的序列。它看起来像是一个变量
步骤
,而不是功能
。