9

我对神经网络和 Keras 库还很陌生，我想知道如何使用此处描述的嵌入层将输入数据从 2D 张量屏蔽为RNN的 3D 张量。

说我的时间序列数据如下（随着时间的增加）：

X_train = [
   [1.0,2.0,3.0,4.0],
   [2.0,5.0,6.0,7.0],
   [3.0,8.0,9.0,10.0],
   [4.0,11.0,12.0,13.0],
   ...
] # with a length of 1000

现在，假设我想给 RNN 最后 2 个特征向量，以便预测时间 t+1 的特征向量。

目前（没有嵌入层），我正在自己创建所需的具有形状 (nb_samples, timesteps, input_dim) 的 3D 张量（如本例所示）。

与我的示例相关，最终的 3D 张量将如下所示：

X_train_2 = [
  [[1.0,2.0,3.0,4.0],
   [2.0,5.0,6.0,7.0]],
  [[2.0,5.0,6.0,7.0],
   [3.0,8.0,9.0,10.0]],
  [[3.0,8.0,9.0,10.0],
   [4.0,11.0,12.0,13.0]],
  etc...
]

和 Y_train：

Y_train = [
   [3.0,8.0,9.0,10.0],
   [4.0,11.0,12.0,13.0],
   etc...
]

我的模型如下所示（适用于上面的简化示例）：

num_of_vectors = 2
vect_dimension = 4

model = Sequential()
model.add(SimpleRNN(hidden_neurons, return_sequences=False, input_shape=(num_of_vectors, vect_dimension))) 
model.add(Dense(vect_dimension))
model.add(Activation("linear"))
model.compile(loss="mean_squared_error", optimizer="rmsprop")
model.fit(X_train, Y_train, batch_size=50, nb_epoch=10, validation_split=0.15)

最后，我的问题是，如何避免将那些 2D 张量转换为 3D 张量重塑自己并使用嵌入层？我想在模型 = 顺序（）之后我必须添加类似的内容：

model.add(Embedding(?????))

可能答案很简单，我只是对嵌入层的文档感到困惑。

4

2 回答 2

7

您可以按如下方式进行：

笔记：

  1. 我生成了一些 X 和 y 作为 0，只是为了让您了解输入结构。

  2. 如果您有一个多类 y_train，则需要进行二值化。

  3. 如果您有不同长度的数据，您可能需要添加填充。

  4. 如果我对在时间 t+1 的预测理解正确，您可能需要查看序列到序列学习。

尝试类似：

hidden_neurons = 4
nb_classes =3
embedding_size =10

X = np.zeros((128, hidden_neurons), dtype=np.float32)
y = np.zeros((128, nb_classes), dtype=np.int8)


model = Sequential()
model.add(Embedding(hidden_neurons, embedding_size))
model.add(SimpleRNN(hidden_neurons, return_sequences=False)) 
model.add(Dense(nb_classes))
model.add(Activation("softmax"))
model.compile(loss='categorical_crossentropy', optimizer='rmsprop', class_mode="categorical")
model.fit(X, y, batch_size=1, nb_epoch=1)
于 2016-02-10T02:14:24.737 回答
1

据我目前所知，嵌入层似乎或多或少地用于降维，如word embedding。所以从这个意义上说，它似乎不适用于一般的重塑工具。

基本上，如果您将单词映射到整数，例如 {car: 1, mouse: 2 ... zebra: 9999}，那么您的输入文本将是由整数 id 表示的单词向量，例如 [1, 2, 9999 .. .]，这意味着[汽车，老鼠，斑马......]。但是将单词映射到具有词汇长度的实数向量似乎是有效的，因此如果您的文本有 1000 个唯一单词，您会将每个单词映射到长度为 1000 的实数向量。我不确定，但我认为它主要代表了一个词的含义与所有其他词的相似程度的权衡，但我不确定这是正确的，是否还有其他嵌入词的方法。

于 2016-11-17T22:42:30.447 回答