Machine learning Keras中幕式模式的多对一递归网络

我正试图用Keras建立一个递归神经网络。我以所提出的讨论为基础

然而，据我所知，在最初讨论中提出的解决方案中，没有“插曲”的概念。让我解释一下我的意思

假设您有6个实例x1、x2、x3、x4、x5、x6。给定大小为3的循环窗口，第一个输出为x3。我指的是y3。因此，没有插曲概念的输入输出对如下所示：

• [x1，x2，x3]，[y3]
• [x2，x3，x4]，[y4]
• [x3，x4，x5]，[y5]
• [x4，x5，x6]，[y6]

然而，我的数据有明确的界限。在本例中，我将有两集，因此训练对如下所示：

• [x1，x2，x3]，[y3]
• [x4，x5，x6]，[y6]

我的问题是：在Keras有可能做到这一点吗

我应该如何保持我的输入输出对组织？除x3和x6外，网络不应对所有输入产生预测（无输出）

PS：我可以使用LSTM或经典递归。如果有使用LSTM的解决方案，我希望能够在每集之后重置内存

---

提前感谢。

我相信这可以通过后退一步，重新构造和重塑您提供给RNN模型本身的数据来实现。冒着听起来冗长的风险，我给出以下解释：

你应该有一个X和一个y。我建议这两个都是3D NumPy阵列，其中

• 数组[i]访问特定的序列i
• 数组[i][j]访问特定序列i的特定时间步长j
• 数组[i][j][k]在特定序列i的特定时间步j访问特定特征k（注意，y的k的长度将等于1，因为我们每个时间步仅预测一个目标）

假设你有8个序列，3个时间步和5个特征

shape(X)
# (8, 3, 5) 

shape(y)
# (8, 3, 1)

现在假设您已经以这种方式构建了数据，那么您所要做的就是确保X和y训练实例以您希望的方式相互匹配。要使用注释，请执行以下操作：

print(X[0][0])
# [x1, x2, x3]

print(y[0][0])
# [y3]

print(X[1][0])
# [x4, x5, x6]

print(y[1][0])
# [y6]

现在假设您已经有了这个（序列、时间步长、功能）3D NumPy数组结构，用于输入到模型中的数据。只需从X和y中删除您不想删除的训练实例

• [x1，x2，x3]，[y3]
• [x2，x3，x4]，[y4]
• [x3，x4，x5]，[y5]
• [x4，x5，x6]，[y6]

---

谢谢，我采用了这种方法，并在不久前对网络进行了培训。现在我只是不确定记忆是在两集之间重置的，还是在记忆中有残留。