Neural network 如何理解Keras一维卷积输入形状和滤波器
我花了一些时间来理解Keras Conv1D中的Neural network 如何理解Keras一维卷积输入形状和滤波器,neural-network,time-series,conv-neural-network,forecasting,Neural Network,Time Series,Conv Neural Network,Forecasting,我花了一些时间来理解Keras Conv1D中的input\u shape=(批量大小、步骤、输入尺寸),但到目前为止我没有取得任何进展 更具体地说,我有两个数据集 数据集-1:一年内每天24小时的太阳能生产,因此我的数据集大小为(364,24),天数为行,消耗量为列 2天的示例: day-1: [0 0 0 0 0 0 0 1.611 5.791 8.229 9.907 9.649 8.401 6.266 4.728 2.231
input\u shape=(批量大小、步骤、输入尺寸)
,但到目前为止我没有取得任何进展
更具体地说,我有两个数据集
数据集-1:一年内每天24小时的太阳能生产,因此我的数据集大小为(364,24),天数为行,消耗量为列
2天的示例:
day-1: [0 0 0 0 0 0 0 1.611 5.791 8.229 9.907 9.649 8.401 6.266 4.728 2.231 0.306 0.013 0 0 0 0 0 0]
day-2: [0 0 0 0 0 0 0 1.732 5.839 9.909 12.593 14.242 12.744 9.596 5.808 2.019 0.241 0 0 0 0 0 0 0]`
我想用CNN做的是用6天的数据来预测第7天。
因此,我对数据集进行了如下划分:
xtrain = dataset[0:6,0:24] # takes 24 hour of 6 days
ytrain = dataset[6,0:24] # takes 24 hour of 7th day
xtest = dataset[1:7,0:24] # takes 24 hours for 6 days (day2 to day7) to predict day 8
为了与Keras的输入形状兼容,我对训练数据进行了如下重塑:
xtrain = xtrain.reshape(6,1,24)
样本数:6,时间维度:1,输入维度:24
这是正确的想法吗
model.add(Conv1D(**filters?**,kernel_size=4,activation='relu', **input_shape=?**))
在我的第二个数据集中:
Training Data: Xtrain: Day-1 Hour-1 to Hour-24, Day-2 Hour-1 to Hour-24 ... Day-6 Hour-1 to Hour-24
Ytrain: Day-7 Hour-1 to Hour-24
我创建了一个新的数据集,行中每天24小时,列中7天,因此它是一个(8616,7)矩阵
Keras代码:
xtrain = dataset[0:24,0:6] # takes 24 hour for 6 days
ytrain = dataset[24:48,6] # takes 24 hour of 7th day
xtest = dataset[24:48,0:6] # takes 24 hours for 6 days (day2 to day7) to predict day 7
xtrain = xtrain[newaxis,:, :]
ytrain = ytrain.reshape(1,24)
我真的不明白过滤器和输入形状应该是什么。您应该以如下结构重新格式化数据集: [365,6,24] 第一个维度设置日期 第二个维度设置了时间步长(6天的进度),因此您应该每天对原始数据集进行6:365,然后24小时复制过去的6天 第三个维度是每小时 假设您订购了[1:365,1:24]的原始数据集: xtrain=np.array(np.tile(xtrain[61])) xtrain=np.重塑(xtrain,(365,6,24)) 现在您有了conv1d所需的3D格式(批处理、时间步、通道)
xtrain = dataset[0:24,0:6] # takes 24 hour for 6 days
ytrain = dataset[24:48,6] # takes 24 hour of 7th day
xtest = dataset[24:48,0:6] # takes 24 hours for 6 days (day2 to day7) to predict day 7
xtrain = xtrain[newaxis,:, :]
ytrain = ytrain.reshape(1,24)