Tensorflow 了解Time2Vec嵌入，将其作为keras层实现

论文time2vector（相关理论见第4节）展示了一种方法，该方法包括特征的时间嵌入，以提高模型性能。我想试试这个。我发现了一个keras层的实现，对此我做了一些修改。基本上，它为一个特征创建两个矩阵：

（1） 线性=w*x+b

（2） 周期=正弦（w*x+b）

---

目前我手动选择此功能。关于这篇论文，有几件事我不明白。第一件事是术语k作为正弦曲线的数量。作者使用了多达64个正弦波。这是什么意思？我现在只有一个正弦信号，对吗？第二，我将把我所有的特征都通过我的“正弦变换”数据集，它将生成6个（正弦）周期特征。作者只使用了一个线性项。我应该如何选择线性项的特征？不幸的是，论文中的代码不再可用。是否有人使用过时间嵌入，或者甚至使用过这种特别的方法？

看起来他们使用sines所做的工作与3Blue1Brown有着相似的优点。从纸上看（所以我可能弄错了），看起来他们只运行时间变换，所以他们得到了一堆额外的功能来编码时间。是的，它看起来更像一个傅里叶级数，我已经看了这个视频，但它对理解在这里做什么没有太大帮助。那么，如果他们只是利用时间，这将是完全有意义的，他们如何获得64个正弦从这个单一的功能？他们是否多次转换相同的功能？感谢您的回复。他们正在将“事情发生的时刻”的单一价值转化为多种功能。因为人类已经这样做了，“现在”可以分为一天中的时间、一周中的某一天、一个月中的某一天、一年中的某一天，等等。。看起来他们用了64种不同的周期长度（1/天、1/周、1/月等）以一种巧妙的自动化方式完成了这项工作。看起来他们用sines所做的工作与3Blue1Brown类似，具有良好的性能。从纸上看（所以我可能弄错了），看起来他们只运行时间变换，所以他们得到了一堆额外的功能来编码时间。是的，它看起来更像一个傅里叶级数，我已经看了这个视频，但它对理解在这里做什么没有太大帮助。那么，如果他们只是利用时间，这将是完全有意义的，他们如何获得64个正弦从这个单一的功能？他们是否多次转换相同的功能？感谢您的回复。他们正在将“事情发生的时刻”的单一价值转化为多种功能。因为人类已经这样做了，“现在”可以分为一天中的时间、一周中的某一天、一个月中的某一天、一年中的某一天，等等。。看起来他们采用了一种聪明的自动化方式，使用了64种不同的周期长度（1/天、1/周、1/月等可能在其中）