574
如何為LSTM重新構建輸入數據（Keras）
更多深度文章，請關注：https://yq.aliyun.com/cloud
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模型準備序列數據。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數字矩陣的序列數據轉換可以輸入到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模型的輸入數據。
看完本文後，你將知道：
如何定義LSTM的輸入層。
如何重塑LSTM模型的一維序列數據並定義輸入層。
如何重塑LSTM模型的多並行係列數據並定義輸入層。
教程概述
本文分為4部分：
1.LSTM輸入層。
2.具有單輸入樣本的LSTM示例。
3.具有多個輸入特征的LSTM示例。
4.LSTM輸入提示。
LSTM輸入層
LSTM輸入層是由神經網絡第一個隱藏層上的“ input_shape ”參數指定的。這可能會讓初學者感到困惑。例如，以下是具有一個隱藏的LSTM層和一個密集輸出層組成的神經網絡示例。
model = Sequential()
model.add(LSTM(32))
model.add(Dense(1))
在這個例子中，我們可以看到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。一個序列是一個樣本。批次由一個或多個樣本組成。
時間步。一個時間步代表樣本中的一個觀察點。
特征。一個特征是在一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預測時，對數據的要求必須是3D數組，即使數組的特定維度僅包含單個值。
當定義LSTM網絡的輸入層時，網絡假設你有一個或多個樣本，並會給你指定時間步長和特征數量。你可以通過修改“ input_shape ”的參數修改時間步長和特征數量。例如，下麵的模型定義了包含一個或多個樣本，50個時間步長和2個特征的輸入層。
model = Sequential()
model.add(LSTM(32, input_shape=(50, 2)))
model.add(Dense(1))
現在我們知道如何定義LSTM輸入層，接下來我們來看一些我們如何為LSTM準備數據的例子。
具有單輸入樣本的LSTM示例
考慮到你可能會有多個時間步驟和一個特征序列的情況，所以我們先從這種情況講起。例如，這是一個包含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數組。
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])
然後，我們可以使用NumPy數組中的reshape（）函數將這個一維數組重構為三維數組，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個特征。
在數組上調用的reshape（）函數需要一個參數，它是定義數組新形狀的元組。我們不能幹涉數據的重塑，重塑必須均勻地重組數組中的數據。
data = data.reshape((1, 10, 1))
一旦重塑，我們可以打印陣列的新形狀。
print(data.shape)
完整的例子如下：
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)
運行示例打印單個樣本的新3D形狀：
(1, 10, 1)model = Sequential()
model.add(LSTM(32, input_shape=(10, 1)))
model.add(Dense(1))
具有多個輸入功能的LSTM示例
你的模型可能有多個並行數據作為輸入的情況，接下來我們來看看這種情況。
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
我們可以將這些數據定義為具有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]])
該數據可以被設置為1個樣本，具有10個時間步長和2個特征。
它可以重新整形為3D陣列，如下所示：
data = data.reshape(1, 10, 2)
完整的例子如下：
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)
運行示例打印單個樣本的新3D形狀。
(1, 10, 2)
該數據現在可以為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輸入提示
接下來我列出了在為LSTM準備輸入數據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，時間步長和特征。
3.LSTM輸入層由第一個隱藏層上的input_shape參數定義。
4.所述input_shape參數是限定的時間的步驟和特征數量的兩個值的元組。
5.樣本數默認假定為大於1。
6.NumPy數組中的reshape（）函數可用於將你的1D或2D數據重塑為3D。
7.reshape（）函數會將一個元組作為新定義的形狀的參數。
進一步閱讀
如果你進一步了解，本部分將提供有關該主題的更多資源。
如果你在LSTM上有任何問題，可以去原文作者博客與之交流。
本文由本文由北郵@愛可可-愛生活老師推薦，@阿裏雲雲棲社區組織翻譯。
文章原標題《How to Reshape Input Data for Long Short-Term Memory Networks in Keras》
作者：Jason Brownlee
作者博客地址：https://machinelearningmastery.com/blog/
譯者：袁虎 審閱：主題曲哥哥
文章為簡譯，更為詳細的內容，請查看原文
最後更新：2017-09-05 12:02:44