Python 时间分布层

对不起，我对keras和RNN一般来说都是新手。我有这些数据来进行培训。

X\u列的形状=（n\u步数=25，长度\u步数=3878，n\u特征=8）

，

y\u列的形状=（n\u步数=25，n\u特征=4）

。基本上，对于长度为3878和8个特征的每一步，我的目标是4个。现在，我不知道如何用“时间结构”来训练这些数据。有人告诉我使用时间分布层，但我的形状有问题。我如何在这上面使用时间分配

import numpy as np
from tensorflow import keras
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, TimeDistributed, SimpleRNN

modelSimple = Sequential()

modelSimple.add(SimpleRNN(200, return_sequences=True, activation='softmax'))
modelSimple.add(SimpleRNN(200, return_sequences=False, activation='softmax'))
modelSimple.add(Dense(4, activation='softmax'))
modelSimple.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
modelSimple.fit(X_train, y_train, epochs = 7)
modelSimple.summary()

---

因为它是分类，我认为您可能不需要使用

TimeDistributed

层。

不过，我可以向您解释，

TimeDistributed

允许您在每个时间步上应用相同的操作。例如，在视频中，您可能希望在每个帧上应用相同的

Conv2D

。在中的示例中，您有10个帧，并且对每个帧应用相同的卷积：

>>> inputs = tf.keras.Input(shape=(10, 128, 128, 3))
>>> conv_2d_layer = tf.keras.layers.Conv2D(64, (3, 3))
>>> outputs = tf.keras.layers.TimeDistributed(conv_2d_layer)(inputs)
>>> outputs.shape

TensorShape([None, 10, 126, 126, 64])

在时间序列中，核心思想是相同的：您可能希望对每个时间步的特征应用一个操作。因为有必要保持时间差，所以应该在

TimeDistributed

层之前设置

return\u sequences=True

。例如，您的数据：

modelSimple.add(SimpleRNN(200, return_sequences=True, activation='softmax',input_shape=(3878,8)))
modelSimple.add(SimpleRNN(200, return_sequences=True, activation='softmax'))
modelSimple.add(TimeDistributed(Dense(4, activation='softmax')))

给你：

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
simple_rnn_15 (SimpleRNN)    (None, 3878, 200)         41800     
_________________________________________________________________
simple_rnn_16 (SimpleRNN)    (None, 3878, 200)         80200     
_________________________________________________________________
time_distributed_9 (TimeDist (None, 3878, 4)           804       
=================================================================

因此，您有一个

密集的

层，它将200个要素转换为4个要素。由于

TimeDistributed

，此转换在所有

3878

时间步长上重复

但是，Keras创建得很好，并且在2D对象上应用

密集的
层，如
（num\u steps x features）
只会影响最后一个维度：
features
。因此，
密集
层，在大多数时间序列中，自然地使用
时间分布
进行处理。因为它是分类，我认为您可能不需要使用
时间分布
层。

不过，我可以向您解释，
TimeDistributed
允许您在每个时间步上应用相同的操作。例如，在视频中，您可能希望在每个帧上应用相同的
Conv2D
。在中的示例中，您有10个帧，并且对每个帧应用相同的卷积：

>>> inputs = tf.keras.Input(shape=(10, 128, 128, 3))
>>> conv_2d_layer = tf.keras.layers.Conv2D(64, (3, 3))
>>> outputs = tf.keras.layers.TimeDistributed(conv_2d_layer)(inputs)
>>> outputs.shape

TensorShape([None, 10, 126, 126, 64])

在时间序列中，核心思想是相同的：您可能希望对每个时间步的特征应用一个操作。因为有必要保持时间差，所以应该在
TimeDistributed
层之前设置
return\u sequences=True
。例如，您的数据：

modelSimple.add(SimpleRNN(200, return_sequences=True, activation='softmax',input_shape=(3878,8)))
modelSimple.add(SimpleRNN(200, return_sequences=True, activation='softmax'))
modelSimple.add(TimeDistributed(Dense(4, activation='softmax')))

给你：

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
simple_rnn_15 (SimpleRNN)    (None, 3878, 200)         41800     
_________________________________________________________________
simple_rnn_16 (SimpleRNN)    (None, 3878, 200)         80200     
_________________________________________________________________
time_distributed_9 (TimeDist (None, 3878, 4)           804       
=================================================================

因此，您有一个
密集的
层，它将200个要素转换为4个要素。由于
TimeDistributed
，此转换在所有
3878
时间步长上重复

但是，Keras创建得很好，并且在2D对象上应用
密集的
层，如
（num\u steps x features）
只会影响最后一个维度：
features
。因此，
密集
层，在大多数时间序列中，自然地以
时间分布
进行处理。
你能举例说明
n\u步
和
length\u步
是什么吗？你能举例说明
n\u步
和
length\u步
是什么吗？谢谢！但当我适合时，我有一个错误：形状（None，4）和（None，3878，4）是不兼容的
modelSimple.add（SimpleRNN（200，return\u sequences=True，activation='softmax'，input\u shape=（3878,8））
modelSimple.add（SimpleRNN（200，return\u sequences=True，activation='softmax'））
modelSimple.compile（loss='classifical\u crossentropy'，optimizer='adam'，metrics=['accurity']）
modelSimple.fit（X\u列，y\u列，epochs=7）
modelSimple.summary（）
是的，这是一个分类问题，因此我提供的代码不是针对您的问题设计的，而是作为一个示例来解释
TimeDistributed
worksOk我得到了它，因此我不能将时间分布用于此问题，对吗？您可以，但您必须添加：
modelSimple.add（flatte（））modelSimple.add（稠密（4，activation='softmax'））
。它可以工作，但可能不是最好的架构。好的，谢谢大家！谢谢！但当我合适的时候，我有一个错误：形状（无，4）和（无，3878，4）不兼容。
modelSimple.add（SimpleRNN（200，return\u sequences=True，activation='softmax'，input\u shape=（3878,8））
modelSimple.add（SimpleRNN（200，return\u sequences=True，activation='softmax'））
modelSimple.add（时间分布（密集（4，activation='softmax'）））
modelSimple.compile（loss='classifical\u crossentropy'，optimizer='adam'，metrics=['accurrency']）
modelSimple.fit（X\u列，y\u列，epochs=7）
modelSimple.summary（）
是的，这是一个分类问题，因此我提供的代码不是针对您的问题设计的，而是作为一个示例来解释
TimeDistributed
worksOk我得到了它，因此我不能将时间分布用于此问题，对吗？您可以，但您必须添加：
modelSimple.add（flatte（））modelSimple.add（稠密（4，activation='softmax'））
。它可以工作，但可能不是最好的架构。好的，谢谢大家！