時間步長和特徵如何影響 LSTM 模型效能和狀態訓練？

理解 LSTM 時間步長和特徵

在 LSTM 模型中，時間步長和特徵指的是輸入資料的維度。時間步代表序列中資料點的數量，而特徵代表每個資料點內的不同變數或維度。

在您的範例中，輸入資料被重新整形為具有以下維度的3D 陣列：

• 樣本（批次大小）
• 時間步長（序列的長度，在本例中3)
• 特徵（輸入變數的數量，本例為1）

因此，每個樣本都是 3 個資料點的序列，每個資料點由單一輸入組成變數。

有狀態 LSTM

有狀態LSTM 維持每個時間步更新的隱藏狀態。這使得模型能夠從過去的輸入中學習並根據上下文做出預測。當 stateful=True 時，LSTM 將記住批次之間的隱藏狀態，這對於順序資料非常有用。

在您的程式碼中，您使用批次大小為 1 並訓練模型 100 個時期。但是，您也可以使用 model.reset_states() 在每個紀元之後重置狀態。這意味著模型實際上並沒有從批次之間的過去輸入中學習，它本質上是將每個批次視為新序列。

要正確訓練有狀態 LSTM，您應該避免在訓練期間重置狀態。相反，您應該僅在想要開始新序列或對新資料點進行預測時重置狀態。

展開的圖表

您提供的圖表說明 LSTM 網路的展開架構。在這兩種情況下，紅色框代表輸入步驟，綠色框代表隱藏狀態。

編輯1:

下圖對應於第一個展開的圖您提供的：

[每個時間步一個輸入步驟的展開圖的圖像]

您提供的圖表對應於第二個展開圖：

[同時包含所有輸入步驟的展開圖影像]

編輯2：

理解時間步長和特徵參數對於 LSTM 模型至關重要。請參閱原始帖子和評論中提供的資源以獲取進一步的說明。

附加說明：

• LSTM 層可以處理各種形式的數據，包括一種-對多、多對一、多對多配置。
• 您可以透過調整來實現不同的配置return_sequences 參數。
• 原始文章還包含有關使用有狀態 LSTM 進行未來步驟預測任務的寶貴資訊。

以上是時間步長和特徵如何影響 LSTM 模型效能和狀態訓練？的詳細內容。更多資訊請關注PHP中文網其他相關文章！