Keras LSTM과 함께 사용하기 위해 시계열 데이터를 어떻게 재구성하며, 상태 저장 LSTM과 매개변수 \'시간 단계\' 및 \'기능\'의 중요성은 무엇입니까?

Keras LSTM 이해

시계열 분석을 위한 데이터 재구성

Keras에서 시계열 데이터는 일반적으로 다음을 사용하여 3차원 배열로 재구성됩니다. 차원 [샘플, 시간 단계, 기능]. 이 형식은 시간에 따라 데이터를 순차적으로 처리하는 LSTM 레이어에 필요합니다.

• 샘플: 데이터세트의 시퀀스 수
• 시간 단계 : 각 시퀀스의 길이(시간 단계)
• 특징: 각 시간 단계의 입력 특성 수

예를 들어 각각 10개의 시간 단계와 1개의 시간 단계가 있는 5개의 훈련 시퀀스가 ​​있는 경우 기능을 사용하면 데이터가 (5, 10, 1)로 재구성됩니다.

상태 저장 LSTM

상태 저장 LSTM을 사용하면 모델이 배치 간에 내부 상태를 유지할 수 있습니다. 이는 모델이 배치를 처리한 후 숨겨진 상태를 기억하고 이를 다음 배치의 입력으로 사용한다는 것을 의미합니다. 이는 현재 출력이 이전 입력에 따라 달라지는 순차 데이터를 처리할 때 특히 유용합니다.

제공한 Keras 코드에서 stateful=True가 True로 설정되어 LSTM이 상태 저장임을 나타냅니다. Batch_size는 1로 설정됩니다. 이는 모델이 한 번에 하나의 시퀀스를 처리한다는 의미입니다. 모델은 훈련 실행 사이에 셀 메모리 값을 유지하여 데이터의 장기적인 종속성을 학습할 수 있습니다.

시간 단계 및 기능

• 시간 단계 : 입력 데이터의 시간 단계 수는 고려 중인 시퀀스의 길이를 나타냅니다. 이미지에서 분홍색 상자는 시퀀스의 길이를 나타냅니다.
• 특징: 각 시간 단계에는 LSTM에서 사용하는 값인 여러 입력 기능이 있습니다. 이미지에서 특성 수는 각 분홍색 상자 내의 녹색 상자 수입니다.

각 시간 단계에 여러 입력 특성(예: 주가)이 있는 다변량 시계열로 작업하는 경우 ), 기능 개수는 1보다 커집니다.

LSTM 아키텍처 이해

귀하가 제공한 Keras LSTM 구현 4개 유닛과 True 반환 시퀀스를 포함하는 단일 LSTM 레이어가 있습니다. 이는 LSTM이 각 입력 시간 단계에 대해 길이 4의 시퀀스를 출력한다는 의미입니다.

그런 다음 모델은 평균 제곱 오류 손실 함수와 Adam 최적화 프로그램을 사용하여 컴파일됩니다. 훈련 루프는 배치 크기가 1인 100세대 동안 반복됩니다.

이 LSTM 모델은 이전 시간 단계를 기반으로 다음 시간 단계를 예측하도록 설계되었다는 점에 유의하는 것이 중요합니다. 그러나 출력 레이어 및 손실 함수를 변경하여 시퀀스 분류 또는 언어 모델링과 같은 다른 작업을 위해 모델을 수정할 수 있습니다.

위 내용은 Keras LSTM과 함께 사용하기 위해 시계열 데이터를 어떻게 재구성하며, 상태 저장 LSTM과 매개변수 \'시간 단계\' 및 \'기능\'의 중요성은 무엇입니까?의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!