Keras 剩余LSTM层

我很难理解keras中LSTM层的张量行为

我对数字数据进行了预处理，这些数据看起来像[样本、时间步长、特征]。因此，10000个样本，24个时间步和10个预测值

我想堆叠剩余连接，但我不确定是否正确：

x <- layer_input(shape = c(24,10))

x <- layer_lstm(x,units=32,activation="tanh",return_sequences=T)

现在x的形状，也就是张量，是[？，？，32]。我在期待[？，32,10]。我是否应该将数据重塑为[样本、特征、时间步长]？然后我形成res：

y <- layer_lstm(x,units=32,activation="tanh",return_sequences=T)

res <- layer_add(c(x, y))

现在我不确定这是不是正确的，或者我应该用它来代替

x <- layer_input(shape = c(24,10))

y <- layer_lstm(x,units=24,activation="tanh",return_sequences=T) # same as time_steps

res <- layer_add(c(x,y)) ## perhaps here data reshaping is neccesary?

任何洞见都是值得赞赏的

JJ

LSTM层将返回dims作为？，seq_length，out_dims，其中out_dims是您案例中的单位。因此，整体DIM将如下所示：

x <- layer_input(shape = c(24,10))
# dims of x (?,24,10)
x <- layer_lstm(x,units=32,activation="tanh",return_sequences=T)
# dims of x after lstm_layer (?,24,32)

y <- layer_lstm(x,units=32,activation="tanh",return_sequences=T)
# dims of y (?,24,32)
res <- layer_add(c(x, y))
# dims of res will be (?,24,32), it is addion of output of both lstm_layer.

---

要了解更多信息，您可以

这样LSTM将获取所有10个预测值，并组合24个序列，其中将包含所有10个预测值的信息？我没听错吧@Ankish BansalYeah，这里的序列可以看作是时间步，所以每个时间步需要10个预测器，计算32个DIM的输出，然后重复24个时间步。我只需要再问一个子问题。因此，如果我担心在更深的层中丢失信息，这些层与另一个res叠加在一起，我应该在我们的例子中保存第一个x，然后再添加它@Ankish BansalI不明白，你是说，如果你再添加一个res块呢？同样，使用剩余层是松散的，但更多的是叠加两层。当我们实际使用残差作为层输出的目标时，使用残差。