如何在Keras中建立一个递归神经网络，其中每个输入首先通过一个层？
如何在Keras中建立一个递归神经网络，其中每个输入首先通过一个层？
提问于 2018-02-15 23:27:51
我试图在Keras上建立一个神经网络，它看起来像这样：
x_1，x_2，..。是经历同样变换的输入向量。f本身是一个必须学习其参数的层。序列长度n在实例之间是可变的。
我在这里很难理解两件事：
- 输入应该是什么样子？ 我在考虑一个二维张量，形状(number_of_x_inputs，x_dimension)，其中x_dimension是单个向量$x$的长度。这样的二维张量能有可变的形状吗？我知道张量可以有可变形状的批处理，但我不知道这是否对我有帮助。
- 在将输入向量输入到RNN层之前，如何通过相同的转换传递它？ 是否有某种方式来扩展，例如GRU，以便在通过实际GRU单元之前添加f层？
回答 1
Stack Overflow用户
发布于 2018-02-17 09:08:19
我不是专家，但我希望这能帮上忙。
问题1:
向量x1，x2.xn可以有不同的形状，但我不确定x1的实例是否有不同的形状。当我有不同的形状时，我通常用0来填充短序列。
问题2:
我不确定是否要扩展GRU，但我会这样做：
x_dims = [50, 40, 30, 20, 10]
n = 5
def network():
shared_f = Conv1D(5, 3, activation='relu')
shated_LSTM = LSTM(10)
inputs = []
to_concat = []
for i in range(n):
x_i = Input(shape=(x_dims[i], 1), name='x_' + str(i))
inputs.append(x_i)
step1 = shared_f(x_i)
to_concat.append(shated_LSTM(step1))
merged = concatenate(to_concat)
final = Dense(2, activation='softmax')(merged)
model = Model(inputs=inputs, outputs=[final])
# model = Model(inputs=[sequence], outputs=[part1])
model.compile(loss='mse', optimizer='adam', metrics=['accuracy'])
return model
m = network()在这个例子中，我使用了一个Conv1D作为共享的f转换，但是您可以使用其他的东西(嵌入等等)。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/48817914
复制相关文章
相似问题
腾讯云开发者
