Neural network 分类神经网络的变量输入
我目前正在做一个项目，在鞋子里有一个传感器，它记录加速度和陀螺仪传感器的XYZ。每毫秒我得到6个数据点。现在的目标是，如果我做一个动作，比如跳跃或踢腿，我会使用传感器的输出来预测正在做的动作 问题是：例如，如果我跳转，一次可能会得到1000个数据点，但在另一次，我得到1200个数据点，这意味着输入的大小不同。到目前为止，我所研究的神经网络要求输入大小为常数，以预测Y值，然而，在这种情况下，并非如此。我做了一些关于如何制作一个可变大小的神经网络的研究，但还没有找到一个可行的。将输入裁剪到一定大小不是一个好主意，因为这样我就会丢失数据。此外，如果我只是通过增加0来调整较小的试验，它会使模型倾斜。关于模型的任何建议，或者如何更好地清理数据？您需要的是。我的大多数代码都使用TensorFlow，但在大多数其他DL库中也可以使用TensorFlow。RNN可以处理可变长度的数据，并用于许多事情，如语音检测。（演讲可以是可变长度的，正如你所说，我们也不能缩短它或将它分成更小的盒子）。下面是一个小示例，它实现了一个适合您的模型需求的简单NN 我们还必须为您的任务使用RNN。顾名思义，参差不齐的张量具有可变的内部形状，非常适合表示持续时间可变的情况Neural network 分类神经网络的变量输入,neural-network,classification,Neural Network,Classification,我目前正在做一个项目，在鞋子里有一个传感器，它记录加速度和陀螺仪传感器的XYZ。每毫秒我得到6个数据点。现在的目标是，如果我做一个动作，比如跳跃或踢腿，我会使用传感器的输出来预测正在做的动作 问题是：例如，如果我跳转，一次可能会得到1000个数据点，但在另一次，我得到1200个数据点，这意味着输入的大小不同。到目前为止，我所研究的神经网络要求输入大小为常数，以预测Y值，然而，在这种情况下，并非如此。我做了一些关于如何制作一个可变大小的神经网络的研究，但还没有找到一个可行的。将输入裁剪到一定大小不
将tensorflow导入为tf
将numpy作为np导入
x=[]
#您的操作序列存储为一个热编码。
y=tf.one_hot（np.array（[np.random.randint（0,4））表示范围内的u（100）]），5）
#您的输入数据，每行是一个np形状数组（随机值介于600和1200之间，5）
对于范围（100）内的i：
温度=np.random.randint（6001200）
x、 追加（np.random.rand（临时，5））
x=tf.参差不齐常数（x）
keras_模型=tf.keras.Sequential([
tf.keras.layers.Input（shape=[None，5]，dtype=tf.float64，ragged=True），
tf.keras.layers.LSTM（32），
tf.keras.致密层（32），
tf.keras.layers.Activation（tf.nn.relu），
tf.keras.致密层（5）
])
keras_model.compile（优化器='rmsprop'，loss=tf.keras.loss.CategoricalCrossentropy（from_logits=True））
keras_模型拟合（x，y，历元=100）
我已经将内部模型的复杂度保持在最低限度，我希望通过进一步的测试，您可以对其进行扩展。最好的架构需要测试。我的建议是使用多个并以两个小的密集层结束。在推断过程中，您是否尝试为每个时间步获取标签？意思是你的火车看起来像是
[走，走，走，跳，跳，跳，跳，走，踢，踢，跳，跳]