Python-了解Keras LSTM

Question

我试图调和我对LSTM的理解，并在克里斯托弗·奥拉（Christopher Olah）在Keras中实现的这篇文章中指出了这一点。我正在关注Jason Brownlee为Keras教程撰写的博客。我最困惑的是

1. 将数据系列重塑为[samples, time steps, features]和
2. 有状态的LSTM

让我们参考下面粘贴的代码专注于以上两个问题：

# reshape into X=t and Y=t+1
look_back = 3
trainX, trainY = create_dataset(train, look_back)
testX, testY = create_dataset(test, look_back)

# reshape input to be [samples, time steps, features]
trainX = numpy.reshape(trainX, (trainX.shape[0], look_back, 1))
testX = numpy.reshape(testX, (testX.shape[0], look_back, 1))
########################
# The IMPORTANT BIT
##########################
# create and fit the LSTM network
batch_size = 1
model = Sequential()
model.add(LSTM(4, batch_input_shape=(batch_size, look_back, 1), stateful=True))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
for i in range(100):
    model.fit(trainX, trainY, nb_epoch=1, batch_size=batch_size, verbose=2, shuffle=False)
    model.reset_states()

注意：create_dataset接受一个长度为N的序列，并返回一个N-look_back数组，每个元素都是一个look_back长度序列。

Answer 1

首先，你选择伟大的教程（1，2）开始。

Time-step的含义：Time-steps==3X.shape（描述数据形状）表示三个粉红色框。由于在Keras中，每个步骤都需要输入，因此绿色框的数量通常应等于红色框的数量。除非你破解结构。

多对多与多对一：在keras中，return_sequences初始化LSTMor GRU或时有一个参数SimpleRNN。当return_sequences为False（默认情况下）时，则如图所示多对一。其返回形状为(batch_size, hidden_unit_length)，代表最后一个状态。如果return_sequences是的True话，那就是很多很多。它的返回形状是(batch_size, time_step, hidden_unit_length)

features参数是否相关：Feature参数的意思是“你的红框有多大”或每步的输入维数是多少？例如，如果你要从8种市场信息中进行预测，则可以使用生成数据feature==8。

有状态：你可以查找源代码。初始化状态时，如果为stateful==True，则将最后一次训练的状态用作初始状态，否则将生成新状态。我还没打开stateful呢。但是，我不同意batch_size只能将1设为stateful==True。

当前，你将使用收集的数据生成数据。将你的股票信息以流的形式显示出来，而不是等待一天收集所有顺序记录，而是想在通过网络进行训练/预测时在线生成输入数据。如果你有400只股票共享同一网络，则可以设置batch_size==400。