Tensorflow 让LSTM从3个变量的相关性中学习_Tensorflow_Machine Learning_Keras_Deep Learning_Lstm

Tensorflow 让LSTM从3个变量的相关性中学习

tensorflow machine-learning keras deep-learning

Tensorflow 让LSTM从3个变量的相关性中学习,tensorflow,machine-learning,keras,deep-learning,lstm,Tensorflow,Machine Learning,Keras,Deep Learning,Lstm,我有一个包含3个变量x，y，z的数据集。它们是3个不同传感器的读数。这些将是输入当这些传感器发现特定物体时，其读数的相应输出应为1。否则，这些读数的相应输出应为0 这是他们找到对象时的示例这就是他们找不到目标的例子我想做的是让一个神经网络可能是一个LSTM或任何其他方法，接收传感器的读数，并告诉他们是否找到了目标。请注意，传感器输出的值通常与图中的值不同，但我注意到的是读数和它们之间的距离之间的相关性实现这一点的最佳方式是什么？最好的模式是艺术。你必须不断测试，直到你有一个适合你的

我有一个包含3个变量x，y，z的数据集。它们是3个不同传感器的读数。这些将是输入

当这些传感器发现特定物体时，其读数的相应输出应为1。否则，这些读数的相应输出应为0

这是他们找到对象时的示例

这就是他们找不到目标的例子

我想做的是让一个神经网络可能是一个LSTM或任何其他方法，接收传感器的读数，并告诉他们是否找到了目标。请注意，传感器输出的值通常与图中的值不同，但我注意到的是读数和它们之间的距离之间的相关性

实现这一点的最佳方式是什么？

最好的模式是艺术。你必须不断测试，直到你有一个适合你的数据

但基本上，您将有形状示例、时间步长、特征的输入，其中：

示例=任何值，越多越好 time_steps=每个示例的读数长度和数量特征=3。然后，您将创建一个以以下内容开头的模型：

inputs = Input((None, 3)) #variable time_steps, 3 features

您可能会从使用这些值的标准化中获益，可能是通过批处理标准化层：

outputs = BatchNormalization()(inputs)
outputs = Activation('tanh')(outputs)

然后开始模型的LSTM部分。层的数量取决于测试

#any number of layers similar to this (this can also be 0)
outputs = LSTM(units, return_sequences=True, activation='tanh')(outputs)

#the last LSTM layer
outputs = LSTM(units, return_sequences=False, activation='tanh')(outputs)

您可以添加或不添加额外的分类图层，例如：

#any number of classification layers, including 0
outputs = Dense(units)(outputs)
outputs = BatchNormalization()(outputs)
outputs = Activation('relu')(outputs)

#last classification:
outputs = Dense(1)(outputs)
outputs = BatchNormalization()(outputs)
outputs = Activatoin('sigmoid')(outputs)

最后，加入一切：

model = Model(intpus, outputs)

请注意，这只是模型的一个示例。这可能会有很多变化，包括分支、池、注意机制等，但您的问题似乎很简单

这里的重要部分是：

理解输入形状理解在上一个LSTM中，您正在丢弃时间步长维度。现在你的问题是2D-示例、单位或特征了解最后一层必须只有一个单元。因此，它可以为每个示例返回一个结果您的输出数据也必须与此形状匹配：示例，1 理解最后一次激活应该是“sigmoid”，因此结果在0和1之间。

最好的模型是艺术。你必须不断测试，直到你有一个适合你的数据