Neural network 用于在两种不同状态下对连续数据进行分类的神经网络类型_Neural Network_Deep Learning

Neural network 用于在两种不同状态下对连续数据进行分类的神经网络类型

neural-network deep-learning

Neural network 用于在两种不同状态下对连续数据进行分类的神经网络类型,neural-network,deep-learning,Neural Network,Deep Learning,一个普遍的问题：我有关于动物记录的连续数据，大约每隔30天测量一次。我想对不同状态的记录进行分类（例如，动物没有疾病，然后动物有疾病）。如何将记录视为神经网络中的重复测量我以前曾尝试过独立处理每一条记录，因此网络现在不再重复记录。网络可以（在某种程度上）预测每个记录的特定状态，但我想知道动物是如何随时间变化的。这是一个LSTM网络吗我使用过密集前馈网络和卷积网络，但不知道如何使用重复记录。是的，RNN可能会工作，您可以使用多对一或多对多模型我建议你阅读：安德烈·卡帕蒂克里斯托弗·奥拉

一个普遍的问题：我有关于动物记录的连续数据，大约每隔30天测量一次。我想对不同状态的记录进行分类（例如，动物没有疾病，然后动物有疾病）。如何将记录视为神经网络中的重复测量

我以前曾尝试过独立处理每一条记录，因此网络现在不再重复记录。网络可以（在某种程度上）预测每个记录的特定状态，但我想知道动物是如何随时间变化的。这是一个LSTM网络吗

我使用过密集前馈网络和卷积网络，但不知道如何使用重复记录。

是的，RNN可能会工作，您可以使用多对一或多对多模型

我建议你阅读：

安德烈·卡帕蒂
克里斯托弗·奥拉

def generator(data, lookback, delay, min_index, max_index,
              shuffle=False, batch_size=128, step=6):
    if max_index is None:
        max_index = len(data) - delay - 1
    i = min_index + lookback
    while 1:
        if shuffle:
            rows = np.random.randint(
                min_index + lookback, max_index, size=batch_size)
        else:
            if i + batch_size >= max_index:
                i = min_index + lookback
            rows = np.arange(i, min(i + batch_size, max_index))
            i += len(rows)

        samples = np.zeros((len(rows),
                           lookback // step,
                           data.shape[-1]))
        targets = np.zeros((len(rows),))
        for j, row in enumerate(rows):
            indices = range(rows[j] - lookback, rows[j], step)
            samples[j] = data[indices]
            targets[j] = data[rows[j] + delay][1]
        yield samples, targets