keras lstm 层理解

最近一直在看 keras 的循环神经网络的lstm层。看了官方的document，和一些小伙伴的文章，一直都没有特别清楚。
今天看了这篇文章，对RNN 有了一定的了解。
下面我以Nicholas_Jela这篇文章的代码链接为案例分析LSTM 层参数的设置

def build_model():# input_dim是输入的train_x的最后一个维度，train_x的维度为(n_samples, time_steps, input_dim)model = Sequential()model.add(LSTM(input_dim=1, output_dim=6, return_sequences=True))#model.add(LSTM(6, input_dim=1, return_sequences=True))#model.add(LSTM(6, input_shape=(None, 1),return_sequences=True))"""#model.add(LSTM(input_dim=1, output_dim=6,input_length=10, return_sequences=True))#model.add(LSTM(6, input_dim=1, input_length=10, return_sequences=True))model.add(LSTM(6, input_shape=(10, 1),return_sequences=True))"""print(model.layers)#model.add(LSTM(100, return_sequences=True))#model.add(LSTM(100, return_sequences=True))model.add(LSTM(100, return_sequences=False))model.add(Dense(output_dim=1))model.add(Activation('linear'))model.compile(loss='mse', optimizer='rmsprop')return model

下面三行代码是等价的

1. 输入维度 input_dim=1
2. 输出维度 output_dim=6
3. 滑动窗口 input_length=10

    #########################################################################model.add(LSTM(input_dim=1, output_dim=6,input_length=10, return_sequences=True))#model.add(LSTM(6, input_dim=1, input_length=10, return_sequences=True))model.add(LSTM(6, input_shape=(10, 1),return_sequences=True))########################################################################

input_length=10，可不用输入，实际上数据再输入前，已经被加工成三维数组，如下图，train_x 是 106*10*1,的三维数组

    ########################################################################model.add(LSTM(input_dim=1, output_dim=6, return_sequences=True))#model.add(LSTM(6, input_dim=1, return_sequences=True))#model.add(LSTM(6, input_shape=(None, 1),return_sequences=True))########################################################################

代码下载

keras lstm 层理解相关推荐

【深度学习】图文并茂！用Keras LSTM构建编码器-解码器模型
作者 | Nechu BM 编译 | VK 来源 | Towards Data Science 基础知识:了解本文之前最好拥有关于循环神经网络(RNN)和编解码器的知识. 本文是关于如何使用Pytho ...
Keras LSTM教程
**本文更完整的内容请参考极客教程的深度学习专栏:https://geek-docs.com/deep-learning/rnn/keras-lstm-tutorial.html,欢迎提出您的宝贵意见 ...
用Keras LSTM构建编码器-解码器模型
作者|Nechu BM 编译|VK 来源|Towards Data Science 基础知识:了解本文之前最好拥有关于循环神经网络(RNN)和编解码器的知识. 本文是关于如何使用Python和Kera ...
深度学习（二十二）Dropout浅层理解
Dropout浅层理解原文地址:http://blog.csdn.net/hjimce/article/details/50413257 作者:hjimce 一.相关工作本来今天是要搞<Ma ...
Tensorflow[基础篇]——LSTM的理解与实现
前言本文参考了tensorflow github里面的实现的lstm的教程代码6_lstm.ipynb.因为这代码即实现了lstm,也实操了tf的内容,可以说是一箭双雕. 源码地址:https:// ...
深度学习之循环神经网络（9）LSTM层使用方法
深度学习之循环神经网络(9)LSTM层使用方法 1. LSTMCell 2. LSTM层在TensorFlow中,同样有两种方式实现LSTM网络.既可以使用LSTMCell来手动完成时间戳上面的循 ...
深度学习（二十二）Dropout浅层理解与实现
Dropout浅层理解与实现原文地址:http://blog.csdn.net/hjimce/article/details/50413257 作者:hjimce 一.相关工作本来今天是要搞< ...
Keras LSTM实现多维输入输出时序预测实践详解
自古以来,我们就希望预知未来,现如今,随着大数据人工智能技术的发展,我们早已经不满足传统的同比.环比等数据分析方法,但是时间序列趋势预测的传统算法又很专业,很难用于日常生产经营中. 深度学习神经网络为 ...
LSTM结构理解与python实现
LSTM结构理解与python实现上篇博客中提到,简单的RNN结构求解过程中易发生梯度消失或梯度爆炸问题,从而使得较长时间的序列依赖问题无法得到解决,其中一种越来越广泛使用的解决方法就是 Long ...

keras lstm 层理解

keras lstm 层理解相关推荐

最新文章

热门文章