Keras 序列嵌入与时间序列特征的融合

我在Keras实施LSTM的某些方面遇到了问题。这是对我的问题的描述：

我正在尝试训练一个单词正确性预测模型。我的模型有两种类型的输入：

词序（句子）

和一系列特征向量（对于每个单词，我计算特征向量为6）

例如

input_1 = ['we', 'have', 'two', 'review'] 
input_2 = [
           [1.25, 0.01, 0.000787, 5.235, 0.0, 0.002091], 
           [ 0.0787, 0.02342, 5.4595, 0.002091, 0.003477, 0.0], 
           [0.371533, 0.529893, 0.371533, 0.6, 0.0194156, 0.003297],
           [0.471533, 0.635, 0.458, 0.7, 0.0194156, 0.0287]
          ] 

 gives output = [1, 1, 2, 1]

由于训练集中的每个句子都有不同的长度，我应该对所有句子进行零填充，使它们都具有相同的长度

我的问题是第二个输入如何，我应该填充吗！怎么做？因为它们是向量

模型架构：

input1 = Input(shape=(seq_length,), dtype='int32')
emb = Embedding(input_dim=num_words, output_dim = num_dimension, 
input_length=seq_length, weights=[embeddings], mask_zero=True,trainable=False)(input_layer)

input2 = Input(shape=(seq_length,6 ))
x = keras.layers.concatenate([emb, input2],axis=2)

lstm = LSTM(64, return_sequences=True)(x)
ackwards = LSTM(128, return_sequences=True, go_backwards=True)(x)

common = merge([forwards, backwards], mode='concat', concat_axis=-1)
out = TimeDistributed(Dense(no_targets, activation='softmax'))(lstm)

---

你在正确的轨道上，是的，你需要用零行填充第二个输入，以匹配句子长度。基本上是这样的：

# Input 1
X1 = [[12, 34, 3], [6, 7, 0]] # where numbers are word indices and 0 is padding
# Input 2
X2 = [[[1.23,...,2.4], [1.24, ...], [0.6, ...]], [[3.25, ...], [2.4, ...], [0,0,0,0,0]]]
# So the padded words get zero feature vectors as well and the shapes match

---

但是不要担心，因为您将

emb

与

input2

连接起来，

mask\u zero=True

也会传播到连接的向量，因此LSTM实际上也会忽略第二个输入的填充。

谢谢，即使我不确定，我也已经尝试过了。1个历元后，我的准确率达到75%。随着训练精度开始上升，更多的训练使验证精度开始下降——这是过度拟合的明显迹象。有什么想法吗？嗯，是的，你可以在LSTM中添加

dropout=0.2

，以减少嵌入的过度拟合甚至脱落。另一种选择是只减少每个模型的单元数量，以减少模型的容量。