Tensorflow 混合单_热输入和浮动输入

我试图训练LSTM层的模型——分类（一个热）动作（调用/折叠/提升）和时间的时间序列数据。 因此，示例时间序列为3轮，玩家2x呼叫，然后折叠

  #Call  #0.5s    # Call    #0.3s   #Fold, 1.5s

[[[1,0,0], 0.5], [[1,0,0], 0.3], [[0,1,0], 1.5]]

call/fold/raise的分类数组不能由第一层（LSTM）处理，我不能使用简单的嵌入层，因为非分类时间

第一层- add（LSTM（500，返回序列=True，输入形状=（3,2）））

我试图更改输入的形状，但没有任何效果。

---

你知道如何表示一次输入中的一个hot和float吗？

你可以简单地连接，不需要嵌入，因为你的一个hot编码没有太高的维度，而一个hot本身就是一个嵌入

所以我会尝试向量序列：

[[1,0,0,0.5], [1,0,0,0.3], [0,1,0,1.5]]

LSTM或您将使用的任何层都会发现前3个值表示动作，最后一个值表示其他内容（时间），不要担心

model.add(LSTM(500, return_sequences=True, input_shape=(3, 2)))

---

应该有效。

假设我有两个分类变量（

cat1

和

cat2

）和一个连续变量（

cont

）。一个热

cat1

为4-d，一个热

cat2

为3-d

cont

显然只是一个标量值。如果我连接：x=

[cat1；cat2；cont]

，网络会知道前4个值代表

cat1

，后3个值代表

cat2

，最后一个值代表

cont

？e、 g.

cat1\u 1=[1,0,0,0]，cat2\u 1=[0,1,0]，cont\u 1=[0.3]

cat1\u 2=[0,0,0,1]，cat2\u 2=[1,0,0,0]，cont\u 2=[0.8]

x\u 1=[1,0,0,0,0,0,0.3]，

x\u 2=[0,0,0,0,0,0,0,0.8]，
x\u 2=[0,0,0,0,0,0]网络究竟意味着什么？
。。。它们只是数字，它将了解分配给每个输入的权重：-）