對於初入門的開發人員來說，這可能是非常困難的事情為
lstm
模型準備序列資料。通常入門的開發者會在有關如何定義
lstm
模型的輸入層這件事情上感到困惑。還有關於如何將可能是1d或
2d數字矩陣的序列資料轉換可以輸入到
lstm
輸入層所需的
3d格式的困難。
在本文中，你將了解如何將輸入層定義為
lstm
模型，以及如何重新構建可以輸入到
lstm
模型的輸入資料。
看完本文後，你將知道：
如何定義
lstm
的輸入層。
如何重塑
lstm
模型的一維序列資料並定義輸入層。
如何重塑
lstm
模型的多並行系列資料並定義輸入層。
1.lstm
輸入層。
2.具有單輸入樣本的
lstm
示例。
3.具有多個輸入特徵的
lstm
示例。
4.lstm
輸入提示。
lstm
輸入層是由神經網路第乙個隱藏層上的
「 input_shape 」
引數指定的。這可能會讓初學者感到困惑。例如，以下是具有乙個隱藏的
lstm
層和乙個密集輸出層組成的神經網路示例。
model = sequential()
model.add(lstm(32))
model.add(dense(1))
lstm
（）層必須指定輸入的形狀。而且每個
lstm
層的輸入必須是三維的。這輸入的三個維度是：
樣品。乙個序列是乙個樣本。批次由乙個或多個樣本組成。
時間步。乙個時間步代表樣本中的乙個觀察點。
特徵。乙個特徵是在乙個時間步長的觀察得到的。
這意味著輸入層在擬合模型時以及在做出**時，對資料的要求必須是
3d陣列，即使陣列的特定維度僅包含單個值。
當定義lstm
網路的輸入層時，網路假設你有乙個或多個樣本，並會給你指定時間步長和特徵數量。你可以通過修改
「 input_shape 」
的引數修改時間步長和特徵數量。
例如，下面的模型定義了包含乙個或多個樣本，
50個時間步長和
2個特徵的輸入層。
model = sequential()
model.add(lstm(32, input_shape=(50, 2)))
model.add(dense(1))
lstm
輸入層，接下來我們來看一些我們如何為
lstm
準備資料的例子。
考慮到你可能會有多個時間步驟和乙個特徵序列的情況，所以我們先從這種情況講起。例如，這是乙個包含
10個數字的序列：
0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0
我們可以將這個數字序列定義為
numpy
陣列。
from numpy import array
data = array([0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0])
numpy
陣列中的
reshape
（）函式將這個一維陣列重構為三維陣列，每個時間步長為
1個樣本，那麼我們需要
10個時間步長和
1個特徵。
在陣列上呼叫的
reshape
（）函式需要乙個引數，它是定義陣列新形狀的元組。我們不能干涉資料的重塑，重塑必須均勻地重組陣列中的資料。
data = data.reshape((1, 10, 1))print(data.shape)from numpy import array
data = array([0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0])
data = data.reshape((1, 10, 1))
print(data.shape)
3d形狀：
(1, 10, 1)input_shape（10
，1）的lstm
的輸入（
x ）。
model = sequential()
model.add(lstm(32, input_shape=(10, 1)))
model.add(dense(1))
例如，這可以是兩個並行的
10個值：
series 1: 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0
series 2: 1.0, 0.9, 0.8, 0.7, 0.6, 0.5, 0.4, 0.3, 0.2, 0.1
我們可以將這些資料定義為具有
10行的
2列的矩陣：
from numpy import array
data = array([
[0.1, 1.0],
[0.2, 0.9],
[0.3, 0.8],
[0.4, 0.7],
[0.5, 0.6],
[0.6, 0.5],
[0.7, 0.4],
[0.8, 0.3],
[0.9, 0.2],
[1.0, 0.1]])
1個樣本，具有
10個時間步長和
2個特徵。
它可以重新整形為
3d陣列，如下所示：
data = data.reshape(1, 10, 2)from numpy import array
data = array([
[0.1, 1.0],
[0.2, 0.9],
[0.3, 0.8],
[0.4, 0.7],
[0.5, 0.6],
[0.6, 0.5],
[0.7, 0.4],
[0.8, 0.3],
[0.9, 0.2],
[1.0, 0.1]])
data = data.reshape(1, 10, 2)
print(data.shape)
3d形狀。
(1, 10, 2)
該資料現在可以為
input_shape
（10,2
）作為lstm
的輸入（
x）使用。
model = sequential()
model.add(lstm(32, input_shape=(10, 2)))
model.add(dense(1))
lstm
準備輸入資料時可以幫助你的一些提示。
1.lstm
輸入層必須是3d。
2.3個輸入尺寸的含義是：樣本，時間步長和特徵。
3.lstm
輸入層由第乙個隱藏層上的
input_shape
引數定義。
4.所述input_shape
引數是限定的時間的步驟和特徵數量的兩個值的元組。
5.樣本數預設假定為大於1。
6.numpy
陣列中的
reshape
（）函式可用於將你的1d或
2d資料重塑為3d。
7.reshape
（）函式會將乙個元組作為新定義的形狀的引數。
如果你進一步了解，本部分將提供有關該主題的更多資源。
recurrent layers keras api。
numpy reshape
（）函式
api。
如何將時間序列轉換為
python
中的監督學習問題。
時間序列**作為監督學習。
如果你在lstm上有任何問題，可以去原文作者部落格與之交流。
本文由本文由北郵@愛可可-愛生活老師
推薦，@阿里云云棲社群組織翻譯。
譯者：袁虎 審閱：主題曲哥哥
文章為簡譯，更為詳細的內容，請檢視原文
如何為LSTM重新構建輸入資料（Keras）
分步閱讀 對於初入門的開發人員來說，這可能是非常困難的事情為lstm模型準備序列資料。通常入門的開發者會在有關如何定義lstm模型的輸入層這件事情上感到困惑。還有關於如何將可能是1d或2d數字矩陣的序列資料轉換可以輸入到lstm輸入層所需的3d格式的困難。在本文中，你將了解如何將輸入層定義為lstm...
如何為LSTM重新構建輸入資料（Keras）
對於初入門的開發人員來說，這可能是非常困難的事情為 lstm 模型準備序列資料。通常入門的開發者會在有關如何定義 lstm 模型的輸入層這件事情上感到困惑。還有關於如何將可能是1d或 2d數字矩陣的序列資料轉換可以輸入到 lstm 輸入層所需的 3d格式的困難。在本文中，你將了解如何將輸入層定義為 ...
重新思考資料輸入
在目前的產品互動中，輸入資料然後程式或者產品對資料進行驗證是非常常見的需求，而產品進行驗證的目的性也很明確，就是為了避免髒資料進入資料庫。但是從產品互動本身來講，產品是為了讓使用者更加準確的 簡單的使用乙個功能，而不是在出錯或者使用者目的很明確的時候告訴他輸入錯誤了。資料完整換句話就是產品對資料庫中...