TimeDistributed in LSTM

一对一的LSTM

# one input and one output
from numpy import array
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM
# prepare sequence
length = 5
seq = array([i/float(length) for i in range(length)])
X = seq.reshape(len(seq), 1, 1)
y = seq.reshape(len(seq), 1)
# define LSTM configuration
n_neurons = length
n_batch = length
n_epoch = 1000
# create LSTM
model = Sequential()
model.add(LSTM(n_neurons, input_shape=(1, 1)))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
print(model.summary())
# train LSTM
model.fit(X, y, epochs=n_epoch, batch_size=n_batch, verbose=2)
# evaluate
result = model.predict(X, batch_size=n_batch, verbose=0)
for value in result:print('%.1f' % value)

多对一的LSTM

#multinput to one output from numpy import array
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM
# prepare sequence
length = 5
seq = array([i/float(length) for i in range(length)])
X = seq.reshape(1, length, 1)
y = seq.reshape(1, length)
# define LSTM configuration
n_neurons = length
n_batch = 1
n_epoch = 500
# create LSTM
model = Sequential()
model.add(LSTM(n_neurons, input_shape=(length, 1)))
model.add(Dense(length))
model.compile(loss='mean_squared_error', optimizer='adam')
print(model.summary())
# train LSTM
model.fit(X, y, epochs=n_epoch, batch_size=n_batch, verbose=2)
# evaluate
result = model.predict(X, batch_size=n_batch, verbose=0)
for value in result[0,:]:print('%.1f' % value)

多对多的LSTM

# multinput and multioutput
from numpy import array
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import TimeDistributed
from keras.layers import LSTM
# prepare sequence
length = 5
seq = array([i/float(length) for i in range(length)])
X = seq.reshape(1, length, 1)
y = seq.reshape(1, length, 1)
# define LSTM configuration
n_neurons = length
n_batch = 1
n_epoch = 1000
# create LSTM
model = Sequential()
model.add(LSTM(n_neurons, input_shape=(length, 1), return_sequences=True))
model.add(TimeDistributed(Dense(1)))
model.compile(loss='mean_squared_error', optimizer='adam')
print(model.summary())
# train LSTM
model.fit(X, y, epochs=n_epoch, batch_size=n_batch, verbose=2)
# evaluate
result = model.predict(X, batch_size=n_batch, verbose=0)
for value in result[0,:,0]:print('%.1f' % value)

原文链接

TimeDistributed in LSTM相关推荐

keras 中的keras.preprocessing、Embedding、GlobalMaxPooling1D()、 TimeDistributed
本文以短问答为背景,串联几个keras下常用的函数 0:keras.preprocessing 该模块是对数据的预处理模块 https://blog.csdn.net/winter_python/ar ...
『迷你教程』LSTM网络下如何正确使用时间分布层
文章目录什么是时间分布式层序列学习问题 LSTM 用于序列预测的一对一 LSTM用于序列预测的多对一(无 TimeDistributed) LSTM用于序列预测的多对多 (使用 TimeDistr ...
深度玩转神经网络——基于Keras
https://www.toutiao.com/a6641550966929752579/ 2019-01-01 23:29:46 随着AI人工智能的发展,深度学习也被越来越多的量化研究员应用到量化投 ...
RNN，LSTM中如何使用TimeDistributed包装层，代码示例
本文介绍了LSTM网络中的TimeDistributed包装层,代码演示了具有TimeDistributed层的LSTM网络配置方法. 演示了一对一,多对一,多对多,三种不同的预测方法如何配置. 在对 ...
如何用LSTM自编码器进行极端事件预测？(含Python代码)
↑↑↑↑↑点击上方蓝色字关注我们! 『运筹OR帷幄』转载作者:Marco Cerliani 编者按预测的一大难点在于,对于未来的偶然性和突发性等极端事件的预测.针对这类问题,作者在LSTM模型基础 ...
lstm timestep一般是多少_用LSTM中的不同时间步长预测使用keras
我正在使用keras预测LSTM的时间序列,并且我意识到我们可以使用与我们用来训练的时间步不同的数据来预测.例如:用LSTM中的不同时间步长预测使用keras import numpy as np i ...
基于双向LSTM和迁移学习的seq2seq核心实体识别
http://spaces.ac.cn/archives/3942/ 暑假期间做了一下百度和西安交大联合举办的核心实体识别竞赛,最终的结果还不错,遂记录一下.模型的效果不是最好的,但是胜在" ...
Keras【Deep Learning With Python】LSTM 循环神经网络解决Regressor回归问题
文章目录 1 前言 2 RNN 的弊端 3 LSTM 4 代码实现 5 重要部份讲解 6 输出: 1 前言和前几篇文章一样,依旧是分为讲解和代码实现. 2 RNN 的弊端之前我们说过, RNN 是 ...
Keras【Deep Learning With Python】更优模型探索Keras实现LSTM
文章目录 1.LSTM 网络 2.之前也提到过RNNs取得了不错的成绩,这些成绩很多是基于LSTMs来做的,说明LSTMs适用于大部分的序列场景应用. 3.代码实现 1.LSTM 网络可以理解为RN ...

TimeDistributed in LSTM

TimeDistributed in LSTM相关推荐

最新文章

热门文章