Python Keras fit_generator（）-时间序列的批处理是如何工作的？

上下文：

我目前正在使用Keras和Tensorflow后端进行时间序列预测，因此研究了提供的教程

在本教程之后，我谈到了

fit\u generator（）

方法的生成器。 此生成器生成的输出如下（左示例，右目标）：

在本教程中使用了

TimeSeriesGenerator

，但对于我的问题，如果使用自定义生成器或此类，则是次要的。 关于数据，我们每个历元有8个步骤和一个形状样本（8,1,2,2）。 该发生器被馈送到由LSTM实现的递归神经网络

我的问题

fit_generator（）

只允许每个批次有一个目标，由

TimeSeriesGenerator

输出。 当我第一次读到fit（）的batches选项时，我认为我可以有多个样本和相应数量的目标（按批处理，即逐行处理）。但是

fit_generator（）

不允许这样做，因此显然是错误的。 例如，这看起来像：

[[[10. 15. 20. 25.]]] => [[30. 35.]]     
[[[20. 25. 30. 35.]]] => [[40. 45.]]    
    |-> Batch no. 1: 2 Samples | 2 Targets
  ---------------------------------------------
[[[30. 35. 40. 45.]]] => [[50. 55.]]    
[[[40. 45. 50. 55.]]] => [[60. 65.]]    
    |-> Batch no. 2: 2 Samples | 2 Targets
  ---------------------------------------------
...

其次，我认为，例如，[10,15]和[20,25]被连续用作目标[30,35]的RNN输入，这意味着这与输入[10,15,20,25]类似。由于使用第二种方法时RNN的输出不同（我对其进行了测试），因此这也必然是一个错误的结论

因此，我的问题是：

为什么每批只允许一个目标（我知道有一些 权宜之计，但一定有原因吗

我怎样才能理解这个问题 一批的计算？意思是，像

[[40]这样的输入，
45]，[50,55]]]=>
[[40,45,50,55]]=>[[60,65]]

根据今天的答案进行编辑
由于对我对样本和目标的定义存在一些误解，我遵循Keras试图告诉我的理解：

ValueError：输入数组的采样数应与目标数组的采样数相同。找到1个输入样本和2个目标样本

例如，当我创建一个如下所示的批时，会发生此错误：

#This is just a single batch - Multiple batches would be fed to fit_generator()
(array([[[0, 1, 2, 3, 4],
        [5, 6, 7, 8, 9]]]), 
                           array([[ 5,  6,  7,  8,  9],
                           [10, 11, 12, 13, 14]]))

这应该是一个包含两个长度为5的时间序列（5个连续数据点/时间步）的单个批次，其目标也是两个相应的序列<代码>[5,6,7,8,9]是

[0,1,2,3,4]

的目标，

[10,11,12,13,14]

是

[5,6,7,8,9]

的相应目标
其中的样本形状将是

形状（批次数量、每批次元素数量、序列大小）

和目标形状

形状（每批次元素数量、序列大小）

Keras看到2个目标样本（在ValueError中），因为我有两个提供3D样本作为输入，2D目标作为输出（可能我不知道如何提供3D目标…）

---

无论如何，根据@todays answer/comments，Keras将其解释为两个时间步和五个功能。关于我的第一个问题（在这个编辑示例中，我仍然将序列视为我的序列的目标），我寻求如何/如果我可以实现这一点，以及这样一个批次的外观如何（就像我试图在问题中可视化的那样）。

简短回答：

为什么每批只允许一个目标（我知道有一些解决办法，但一定有原因）

事实并非如此。批次中目标样品的数量没有限制。唯一的要求是，每个批次中的输入和目标样本数量应相同。阅读较长的答案以进一步澄清

我如何理解一批的计算？意思是，像

[[40]这样的输入，
45]，[50,55]]=>[[60,65]]

已处理，为什么它不是类似于

[[40,45,50,55]]]=>[[60,65]

第一个是多变量时间序列（即每个时间步有多个功能），第二个是单变量时间序列（即每个时间步有一个功能）。因此，它们并不等同。阅读较长的答案以进一步澄清

长答案：

我将给出我在评论部分中提到的答案，并尝试使用示例对此进行详细说明：

我认为您正在混合样本、时间步、功能和目标。让我描述一下我是如何理解它的：在您提供的第一个示例中，每个输入示例似乎由两个时间步组成，例如

[10,15]

和

[20,25]

，其中每个时间步由两个特性组成，例如10和15或20和25。此外，相应的目标由一个时间步组成，例如

[30,35]

，该时间步还具有两个特征。换句话说，批中的每个输入样本必须具有相应的目标。然而，每个输入样本及其对应目标的形状可能不一定相同

例如，考虑一个模型，它的输入和输出都是时间序列。如果我们将每个输入样本的形状表示为

（input\u num\u timesteps，input\u num\u features）

，将每个目标（即输出）数组的形状表示为

（output\u num\u timesteps，output\u num\u features）

，我们将出现以下情况：

1） 输入和输出时间步数相同（即，

input\u num\u timesteps==output\u num\u timesteps

）。例如，以下模型可以实现这一点：

from keras import layers
from keras import models

inp = layers.Input(shape=(input_num_timesteps, input_num_features))

# a stack of RNN layers on top of each other (this is optional)
x = layers.LSTM(..., return_sequences=True)(inp)
# ...
x = layers.LSTM(..., return_sequences=True)(x)

# a final RNN layer that has `output_num_features` unit
out = layers.LSTM(output_num_features, return_sequneces=True)(x)

model = models.Model(inp, out)

from keras import layers
from keras import models

inp = layers.Input(shape=(input_num_timesteps, input_num_features))

# a stack of RNN layers on top of each other (this is optional)
x = layers.LSTM(..., return_sequences=True)(inp)
# ...
x = layers.LSTM(...)(x)  # The last layer ONLY returns the last output of RNN (i.e. return_sequences=False)

# repeat `x` as needed (i.e. as the number of timesteps in output timseries)
x = layers.RepeatVector(output_num_timesteps)(x)

# a stack of RNN layers on top of each other (this is optional)
x = layers.LSTM(..., return_sequences=True)(x)
# ...
out = layers.LSTM(output_num_features, return_sequneces=True)(x)

model = models.Model(inp, out)

2） 输入和输出时间步数不同（即，

input\u num\u timesteps~=output\u num\u timesteps

）。这通常是通过首先使用一个或多个LSTM层的堆栈将输入时间序列编码为向量，然后重复该向量

output_num_time来实现的
from keras import layers
from keras import models

inp = layers.Input(shape=(input_num_timesteps, input_num_features))

# a stack of RNN layers on top of each other (this is optional)
x = layers.LSTM(..., return_sequences=True)(inp)
# ...
x = layers.LSTM(...)(x)  # The last layer ONLY returns the last output of RNN (i.e. return_sequences=False)

# repeat `x` as needed (i.e. as the number of timesteps in output timseries)
x = layers.RepeatVector(output_num_timesteps)(x)

# a stack of RNN layers on top of each other (this is optional)
x = layers.LSTM(..., return_sequences=True)(x)
# ...
out = layers.LSTM(output_num_features, return_sequneces=True)(x)

model = models.Model(inp, out)

inp = layers.Input(shape=(input_num_timesteps, input_num_features))

# a stack of RNN layers on top of each other (this is optional)
x = layers.LSTM(..., return_sequences=True)(inp)
# ...
x = layers.LSTM(...)(x)  # The last layer ONLY returns the last output of RNN (i.e. return_sequences=False)

out = layers.Dense(output_num_features, activation=...)(x)

model = models.Model(inp, out)

>>> np.array([[[0, 1, 2, 3, 4],
               [5, 6, 7, 8, 9]]]).shape
(1,2,5)

# step 1: I want a numpy array
s1 = np.array([])

# step 2: I want it to have two samples
s2 = np.array([
               [],
               []
              ])

# step 3: I want each sample to have 5 timesteps of length 1 in them
s3 = np.array([
               [
                [0], [1], [2], [3], [4]
               ],
               [
                [5], [6], [7], [8], [9]
               ]
              ])

>>> s3.shape
(2, 5, 1)

>>> np.array([[ 5,  6,  7,  8,  9],
              [10, 11, 12, 13, 14]]).shape
(2,5)

>>> t = np.array([[ 5,  6,  7,  8,  9],
                  [10, 11, 12, 13, 14]])
>>> t = np.expand_dims(t, axis=-1)
>>> t.shape
(2, 5, 1)