Python keras LSTM生成简单序列的错误输出
我试图用keras实现一个LSTM层,并在一个非常简单的数据集上进行测试 这是我的密码Python keras LSTM生成简单序列的错误输出,python,machine-learning,deep-learning,keras,lstm,Python,Machine Learning,Deep Learning,Keras,Lstm,我试图用keras实现一个LSTM层,并在一个非常简单的数据集上进行测试 这是我的密码 X = np.load("X.npy") y = np.load("y.npy") trainX = X[:30, :, :] testX = X[30:, :, :] trainY = y[:30, :] testY = y[30:, :] lastDense = X.shape[2] if(X.shape[2] == 1): lastDense = 1 trainX = np.res
X = np.load("X.npy")
y = np.load("y.npy")
trainX = X[:30, :, :]
testX = X[30:, :, :]
trainY = y[:30, :]
testY = y[30:, :]
lastDense = X.shape[2]
if(X.shape[2] == 1):
lastDense = 1
trainX = np.reshape(trainX, (trainX.shape[0], 1, trainX.shape[1]))
testX = np.reshape(testX, (testX.shape[0], 1, testX.shape[1]))
in_out_neurons = trainX.shape[2]
hidden_neurons = 100
model = Sequential()
model.add(LSTM(in_out_neurons, return_sequences=False, input_shape=(None, in_out_neurons)))
model.add(Dense(hidden_neurons))
model.add(Dropout(0.1))
model.add(Dense(lastDense))
model.add(Activation("linear"))
model.compile(loss="mse", optimizer="adam")
model.fit(trainX, trainY, nb_epoch=700, batch_size=trainX.shape[0])
print 'train'
print trainX
print model.predict(trainX)
print 'test'
print testX
print model.predict(testX)
它不显示任何错误,它运行并显示输出
我给它的序列只是数字1-39的递增顺序,其中1-31是训练集,32-39是测试集
它是按三元组排序的,这意味着单个训练示例将是(1,2,3)
,我希望输出4
这是训练数据的输出
train
[[[ 1. 2. 3.]]
[[ 2. 3. 4.]]
[[ 3. 4. 5.]]
[[ 4. 5. 6.]]
[[ 5. 6. 7.]]
[[ 6. 7. 8.]]
[[ 7. 8. 9.]]
[[ 8. 9. 10.]]
[[ 9. 10. 11.]]
[[ 10. 11. 12.]]
[[ 11. 12. 13.]]
[[ 12. 13. 14.]]
[[ 13. 14. 15.]]
[[ 14. 15. 16.]]
[[ 15. 16. 17.]]
[[ 16. 17. 18.]]
[[ 17. 18. 19.]]
[[ 18. 19. 20.]]
[[ 19. 20. 21.]]
[[ 20. 21. 22.]]
[[ 21. 22. 23.]]
[[ 22. 23. 24.]]
[[ 23. 24. 25.]]
[[ 24. 25. 26.]]
[[ 25. 26. 27.]]
[[ 26. 27. 28.]]
[[ 27. 28. 29.]]
[[ 28. 29. 30.]]
[[ 29. 30. 31.]]
[[ 30. 31. 32.]]]
[[ 4.09406757]
[ 5.05801105]
[ 5.98857021]
[ 6.88568211]
[ 7.78905582]
[ 8.71695137]
[ 9.67439938]
[ 10.66011047]
[ 11.66990376]
[ 12.69835663]
[ 13.73967934]
[ 14.78820229]
[ 15.83870316]
[ 16.88658524]
[ 17.92800713]
[ 18.95988846]
[ 19.97993088]
[ 20.98649979]
[ 21.97856903]
[ 22.95560837]
[ 23.91747856]
[ 24.86432266]
[ 25.79648972]
[ 26.71446228]
[ 27.61878586]
[ 28.51003265]
[ 29.3887558 ]
[ 30.25547028]
[ 31.11066628]
[ 31.77085686]]
它运行得相当好。您可以看到第一个示例实际上是[1,2,3],它输出4.09。下一个例子是[2,3,4],它输出5.05,这对我来说已经足够好了
但是在测试集中,我对每个例子都得到了相同的结果
test
[[[ 31. 32. 33.]]
[[ 32. 33. 34.]]
[[ 33. 34. 35.]]
[[ 34. 35. 36.]]
[[ 35. 36. 37.]]
[[ 36. 37. 38.]]
[[ 37. 38. 39.]]]
[[ 31.81325912]
[ 31.85035133]
[ 31.88280106]
[ 31.91120529]
[ 31.93606949]
[ 31.95784378]
[ 31.97691345]]
非常糟糕的结果。
我是不是太合适了?我正在使用辍学,所以我不应该这样,但我不知道发生了什么以及如何解决它。我是否错误地使用了keras lstm层?是的,计数是一个简单的函数,lstm可以完美地完成
- 洗牌网络不学习批次之间增量的示例
- 添加一个验证集,可能再进行一次拆分。Keras允许您使用验证数据查看它,也许在“第n个”时期有一个点开始过度拟合,因此您可以“学习”
- 减少神经元的数量,计数或求和是一个非常简单的操作
- 如果这不起作用。。增加例子的数量。。也许10公里。增加示例的数量可以避免过度拟合
X = []
for x in range(100):
X.append([[x], [x+1], [x+2], [x+3]])
X = np.array(X)
np.random.shuffle(X)
trainX = X[:30, 0:-1, :]
testX = X[30:, 0:-1, :]
trainY = X[:30, -1, :]
testY = X[30:, -1, :]
lastDense = X.shape[2]
in_out_neurons = trainX.shape[1]
hidden_neurons = 100
model = Sequential()
model.add(LSTM(in_out_neurons, return_sequences=False, input_shape=( in_out_neurons,1)))
model.add(Dense(hidden_neurons))
model.add(Dense(lastDense))
model.add(Activation("linear"))
model.compile(loss="mse", optimizer="adam", lr=.1)
model.fit(trainX, trainY,validation_split=0.05, epochs=2000, batch_size=trainX.shape[0])
print ('train')
print (trainX)
print (model.predict(trainX))
print ('test')
print (testX)
print (model.predict(testX))
这两件事都没用。我认为代码可能有问题。我需要使用有状态的机器吗?np.整形(trainX,(trainX.shape[0],1,trainX.shape[1])Keras希望输入是(批量大小,序列长度,特征),所以你的形状应该是(X,3,1)像一个字符级的charbot.奇怪的是,我这么做的时候它没有工作。这就是我添加“如果”部分的原因。只有当每个示例中的功能数量为1时,它才起作用。我的意思是没有工作,因为在-根本没有运行。出现错误。因为您应该将您的输入形状修复为输入形状=(3,)或输入形状=(3,1),这取决于您的数据。我的数据现在是(10000,3,1),我尝试过的输入形状是(3,1)和(3,)。在(3)中,我得到一个错误“ValueError:Input 0与层lstm_1不兼容:预期ndim=3,发现ndim=2”,当它的(3,1)出现错误“TypeError:Cannot Type TensorType(float32,3D)(变量subsensor{:int64:}.0)转换为Type TensorType(float32,(False,False,True))。您可以尝试手动转换subsensor{:int64:}.0转换为TensorType(float32,(False,False,True))。”