Python 用于连续输入和连续输出的Keras LSTM

例如，我有二进制数据，比如：0，0，0，1，1，0，1，1。这可能会无限期地继续下去。对于每个输入，都有相应的输出。假设我们使用XOR运算。所以，输出可能是这样的：0，0，0，1，0，1，1，0

如何塑造Keras输入形状？如何设置时间步长？如果我声明时间步1对于每个1时间步视为不同的情况，或者它仍然可以考虑以前的输入作为序列或学习内存

Keras使用LSTM或GRU作为其隐藏层

我试过两种方法来解决这个问题，但似乎都没有成功。两种方法都停留在37.5，事实上，它一直在猜测1

方法1：

data = [[[0], [0], [0], [1], [1], [0], [1], [1]]]
output = [[[0], [0], [0], [1], [0], [1], [1], [0]]]

model = Sequential()
model.add(GRU(10, input_shape=(8, 1), return_sequences=True))
model.add(GRU(10, return_sequences=True))
model.add(Dense(1, activation='softmax'))

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['acc'])
model.fit(np.asarray(data), np.asarray(output), epochs=3000)

方法2：

data = [[[0]], [[0]], [[0]], [[1]], [[1]], [[0]], [[1]], [[1]]]
output = [[0], [0], [0], [1], [0], [1], [1], [0]]

model = Sequential()
model.add(GRU(10, input_shape=(1, 1), return_sequences=True))
model.add(GRU(10))
model.add(Dense(1, activation='softmax'))

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['acc'])
model.fit(np.asarray(data), np.asarray(output), epochs=300)

事实上，它一直在猜测1

---

这是因为您使用了

softmax

作为最后一层的激活。由于最后一层只有一个单元，softmax函数将其输入标准化，使元素之和等于一，因此它将始终输出1。相反，您需要使用

sigmoid

作为最后一层的激活函数，以使输出介于0和1之间。

将

activation='softmax'

更改为

activation='sigmoid'