Python LSTM-对部分序列进行预测

这个问题是我一直在问的一个问题

我已经训练了一个LSTM模型来预测一个二进制类（1或0），该类包含100个样本，每个样本有3个特征，即：数据的形状是（m，100，3），其中m是批次数

数据：

目标：

[
   [1]
   [0]
   ...
]

型号代码：

def build_model(num_samples, num_features, is_training):
    model = Sequential()
    opt = optimizers.Adam(lr=0.0005, beta_1=0.9, beta_2=0.999, epsilon=1e-08, decay=0.0001)

    batch_size = None if is_training else 1
    stateful = False if is_training else True
    first_lstm = LSTM(32, batch_input_shape=(batch_size, num_samples, num_features), return_sequences=True,
                      activation='tanh', stateful=stateful)

    model.add(first_lstm)
    model.add(LeakyReLU())
    model.add(Dropout(0.2))
    model.add(LSTM(16, return_sequences=True, activation='tanh', stateful=stateful))
    model.add(Dropout(0.2))
    model.add(LeakyReLU())
    model.add(LSTM(8, return_sequences=False, activation='tanh', stateful=stateful))
    model.add(LeakyReLU())
    model.add(Dense(1, activation='sigmoid'))

    if is_training:
        model.compile(loss='binary_crossentropy', optimizer=opt,
                      metrics=['accuracy', keras_metrics.precision(), keras_metrics.recall(), f1])
    return model

对于训练阶段，模型是有状态的。预测时，我使用的是一个有状态的模型，迭代数据并输出每个样本的概率：

for index, row in data.iterrows():
    if index % 100 == 0:
        predicting_model.reset_states()
    vals = np.array([[row[['a', 'b', 'c']].values]])
    prob = predicting_model.predict_on_batch(vals)

当观察一个批次结束时的概率时，它正是我在预测整个批次时得到的值（不是一个接一个）。然而，我预计，当新样本到达时，概率将始终保持在正确的方向上。实际发生的情况是，概率输出可能会在任意样本上突增到错误的类（见下文）

---

预测期间100个样品批次的两个样品（标签=1）：

和标签=0:

有没有办法实现我想要的（在预测概率时避免极端峰值），或者这是一个给定的事实

如有任何解释、建议，将不胜感激

---

更新 多亏了@today advice，我尝试在最后一个LSTM层上使用

return\u sequence=True

为每个输入时间步使用隐藏状态输出来训练网络

现在标签看起来是这样的（形状（100100））：

模型摘要：

Layer (type)                 Output Shape              Param #   
=================================================================
lstm_1 (LSTM)                (None, 100, 32)           4608      
_________________________________________________________________
leaky_re_lu_1 (LeakyReLU)    (None, 100, 32)           0         
_________________________________________________________________
dropout_1 (Dropout)          (None, 100, 32)           0         
_________________________________________________________________
lstm_2 (LSTM)                (None, 100, 16)           3136      
_________________________________________________________________
dropout_2 (Dropout)          (None, 100, 16)           0         
_________________________________________________________________
leaky_re_lu_2 (LeakyReLU)    (None, 100, 16)           0         
_________________________________________________________________
lstm_3 (LSTM)                (None, 100, 8)            800       
_________________________________________________________________
leaky_re_lu_3 (LeakyReLU)    (None, 100, 8)            0         
_________________________________________________________________
dense_1 (Dense)              (None, 100, 1)            9         
=================================================================
Total params: 8,553
Trainable params: 8,553
Non-trainable params: 0
_________________________________________________________________

但是，我有一个例外：

ValueError: Error when checking target: expected dense_1 to have 3 dimensions, but got array with shape (75, 100)

---

我需要修复什么？

注意：这只是一个想法，可能是错误的。如果您愿意，请尝试，我将非常感谢您的反馈。

---

有没有办法达到我想要的（在 预测概率），或者这是一个给定的事实

您可以进行此实验：将最后一个LSTM层的

return_sequences

参数设置为

True

，并复制每个样本的标签以及每个样本的长度。例如，如果一个样本的长度为100，其标签为0，则为该样本创建一个由100个零组成的新标签（您可以使用numpy函数（如

np.repeat

）轻松完成此操作）。然后重新训练你的新模型，然后在新的样本上测试它。我不确定这一点，但我希望这次会有更多单调递增/递减概率图

---

更新：您提到的错误是由于标签应为三维阵列（查看模型摘要中最后一层的输出形状）这一事实造成的。使用

np.展开_dims

将另一个大小为1的轴添加到末端。重复标签的正确方式如下所示，假设

y\u train

的形状为

（num\u samples，）

：

---

IMDB数据集上的实验： 实际上，我在IMDB数据集上尝试了上面建议的实验，使用了一个带有一个LSTM层的简单模型。有一次，我只对每个样本使用了一个标签（与@Shlomi的原始方法相同），而另一次我复制了标签，使每个样本的每个时间步都有一个标签（如上所述）。如果您想亲自尝试，以下是代码：

from keras.layers import *
from keras.models import Sequential, Model
from keras.datasets import imdb
from keras.preprocessing.sequence import pad_sequences
import numpy as np

vocab_size = 10000
max_len = 200
(x_train, y_train), (x_test, y_test) = imdb.load_data(num_words=vocab_size)
X_train = pad_sequences(x_train, maxlen=max_len)

def create_model(return_seq=False, stateful=False):
    batch_size = 1 if stateful else None
    model = Sequential()
    model.add(Embedding(vocab_size, 128, batch_input_shape=(batch_size, None)))
    model.add(CuDNNLSTM(64, return_sequences=return_seq, stateful=stateful))
    model.add(Dense(1, activation='sigmoid'))

    model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['acc'])
    return model

# train model with one label per sample
train_model = create_model()
train_model.fit(X_train, y_train, epochs=10, batch_size=128, validation_split=0.3)

# replicate the labels
y_train_rep = np.repeat(y_train, max_len).reshape(-1, max_len, 1)

# train model with one label per timestep
rep_train_model = create_model(True)
rep_train_model.fit(X_train, y_train_rep, epochs=10, batch_size=128, validation_split=0.3)

然后，我们可以创建训练模型的有状态副本，并在一些测试数据上运行它们，以比较它们的结果：

# replica of `train_model` with the same weights
test_model = create_model(False, True)
test_model.set_weights(train_model.get_weights())
test_model.reset_states()

# replica of `rep_train_model` with the same weights
rep_test_model = create_model(True, True)
rep_test_model.set_weights(rep_train_model.get_weights())
rep_test_model.reset_states()

def stateful_predict(model, samples):
    preds = []
    for s in samples:
        model.reset_states()
        ps = []
        for ts in s:
            p = model.predict(np.array([[ts]]))
            ps.append(p[0,0])
        preds.append(list(ps))
    return preds

X_test = pad_sequences(x_test, maxlen=max_len)

实际上，

X_检验

的第一个样本有一个0标签（即属于阴性类别），而

X_检验

的第二个样本有一个1标签（即属于阳性类别）。因此，让我们首先看看这两个样本的

测试_模型

（即，使用每个样本一个标签进行训练的模型）的状态预测是什么样的：

import matplotlib.pyplot as plt

preds = stateful_predict(test_model, X_test[0:2])

plt.plot(preds[0])
plt.plot(preds[1])
plt.legend(['Class 0', 'Class 1'])

结果是：

末尾的标签（即概率）正确（即时间步200），但在两者之间非常尖锐且波动。现在，让我们将其与

rep_test_模型的有状态预测进行比较（即，每个时间步使用一个标签进行训练的预测）：

结果是：


同样，在最后，正确的标签预测，但这一次的趋势更加平滑和单调，正如预期的那样

请注意，这只是一个演示示例，因此我在这里使用了一个非常简单的模型，只有一个LSTM层，我根本没有尝试对其进行调整。我想，通过更好地调整模型（例如调整层的数量、每层中的单元数量、使用的激活函数、优化器类型和参数等），您可能会获得更好的结果。
训练精度如何？由于您使用的是
LeakyReLU
层，您是否尝试过为LSTM层设置
activation='linear'
？请不要使用“samples”而不是“timesteps”。它们是不同的东西，这会导致混乱。在您的示例中，每个样本（即序列）的形状为
（100，3）
，这意味着每个样本由100个时间步组成，其中每个时间步是长度为3的特征向量。此外，“数据的形状是
（m，100，3）
，其中
m
是批次数”有点错误：
m
是样本数（或者一个批次中的样本数），而不是批次数。每个批次可能由一个或多个样本组成。我不知道概率不应该波动或尖峰，并且随着我们处理更多的时间步长，概率应该单调增加或减少的说法是正确的还是错误的。但是，你必须考虑1）模型已经被训练在长度为100, 2的序列上。在看到所有100个时间步长之后，它已经被训练输出正确的标签；3）在训练期间，它不会为中间的时间步长产生任何输出。因此，我认为我们不应该期望预测阶段的中间输出具有特定的行为；我想我同意“今天”这个说法。我不这么认为
from keras.layers import *
from keras.models import Sequential, Model
from keras.datasets import imdb
from keras.preprocessing.sequence import pad_sequences
import numpy as np

vocab_size = 10000
max_len = 200
(x_train, y_train), (x_test, y_test) = imdb.load_data(num_words=vocab_size)
X_train = pad_sequences(x_train, maxlen=max_len)

def create_model(return_seq=False, stateful=False):
    batch_size = 1 if stateful else None
    model = Sequential()
    model.add(Embedding(vocab_size, 128, batch_input_shape=(batch_size, None)))
    model.add(CuDNNLSTM(64, return_sequences=return_seq, stateful=stateful))
    model.add(Dense(1, activation='sigmoid'))

    model.compile(optimizer='rmsprop', loss='binary_crossentropy', metrics=['acc'])
    return model

# train model with one label per sample
train_model = create_model()
train_model.fit(X_train, y_train, epochs=10, batch_size=128, validation_split=0.3)

# replicate the labels
y_train_rep = np.repeat(y_train, max_len).reshape(-1, max_len, 1)

# train model with one label per timestep
rep_train_model = create_model(True)
rep_train_model.fit(X_train, y_train_rep, epochs=10, batch_size=128, validation_split=0.3)

# replica of `train_model` with the same weights
test_model = create_model(False, True)
test_model.set_weights(train_model.get_weights())
test_model.reset_states()

# replica of `rep_train_model` with the same weights
rep_test_model = create_model(True, True)
rep_test_model.set_weights(rep_train_model.get_weights())
rep_test_model.reset_states()

def stateful_predict(model, samples):
    preds = []
    for s in samples:
        model.reset_states()
        ps = []
        for ts in s:
            p = model.predict(np.array([[ts]]))
            ps.append(p[0,0])
        preds.append(list(ps))
    return preds

X_test = pad_sequences(x_test, maxlen=max_len)

import matplotlib.pyplot as plt

preds = stateful_predict(test_model, X_test[0:2])

plt.plot(preds[0])
plt.plot(preds[1])
plt.legend(['Class 0', 'Class 1'])

preds = stateful_predict(rep_test_model, X_test[0:2])

plt.plot(preds[0])
plt.plot(preds[1])
plt.legend(['Class 0', 'Class 1'])