Python 如何理解密集层单元作为预测数据的维度?
我处理的数据集包含两个特征x,y坐标的时间序列数据。我感兴趣的是从以前的坐标预测未来的x,y(如果可能的话,作为元组)。我对深度学习相当陌生,我正在密切关注这篇关于Kaggle的文章 谷歌搜索给我的答案是,LSTM层中的Python 如何理解密集层单元作为预测数据的维度?,python,tensorflow,keras,lstm,Python,Tensorflow,Keras,Lstm,我处理的数据集包含两个特征x,y坐标的时间序列数据。我感兴趣的是从以前的坐标预测未来的x,y(如果可能的话,作为元组)。我对深度学习相当陌生,我正在密切关注这篇关于Kaggle的文章 谷歌搜索给我的答案是,LSTM层中的input\u shape需要一个3D元组(batch\u size,time\u steps,feature)。基于这些知识,我深入研究了二维数据(x,y): 因为它是3D元组,所以我没有重塑它,而是继续 ## model begins here regressor = S
input\u shape
需要一个3D元组(batch\u size,time\u steps,feature
)。基于这些知识,我深入研究了二维数据(x,y):
因为它是3D元组,所以我没有重塑它,而是继续
## model begins here
regressor = Sequential()
regressor.add(LSTM(units=50, return_sequences=True, input_shape=(X_train.shape[1:]))
regressor.add(Dropout(0.2))
regressor.add(LSTM(units=50, return_sequences=True))
regressor.add(Dropout(0.2))
regressor.add(LSTM(units=50, return_sequences=True))
regressor.add(Dropout(0.2))
regressor.add(LSTM(units=50))
regressor.add(Dropout(0.2))
regressor.add(Dense(units=2)) ## i am predicting future x,y
我的代码运行正常,我对输出有点不确定。我预测的真的是未来的x,y吗?因为如果我给出
units=3
,我得到3D输出,units=1
,我得到1D输出。这到底意味着什么?当我给出units=n
时,我想我是在强迫我的网络收敛到n
输出。如果我的问题不清楚,请告诉我 通常,定义模型类型后,需要使用model.fit
方法将其与数据相匹配
model.fit(X_train, y_train)
输出的大小由y_train
的形状定义,即用于训练的标签向量的大小
要预测y,你应该做如下的事情
y_prob = model.predict(X_test)
希望这能回答您的问题通常,在定义模型类型后,您需要使用
model.fit
方法将其与数据相匹配
model.fit(X_train, y_train)
输出的大小由y_train
的形状定义,即用于训练的标签向量的大小
要预测y,你应该做如下的事情
y_prob = model.predict(X_test)
希望这能回答你的问题