为什么LSTM会给出不同的输出，尽管我使用相同的代码？
LSTM（Long Short-Term Memory）是一种循环神经网络（RNN）的变体，用于处理序列数据，具有记忆能力和长期依赖性建模能力。尽管使用相同的代码，LSTM可能会给出不同的输出，这是由以下几个因素造成的：
- 随机初始化：LSTM网络中的权重和偏置通常是随机初始化的，这意味着每次运行相同的代码时，网络的初始状态会有所不同，从而导致不同的输出。
- 非确定性计算：LSTM中的计算涉及到一些非线性操作，例如激活函数和门控机制。这些操作可能会引入一些微小的数值差异，这些差异在网络的每个时间步骤中会逐渐累积，导致不同的输出。
- 数据输入：LSTM网络的输入数据可能会在不同的运行中有所不同。即使是微小的输入差异，也可能会在网络中产生不同的影响，从而导致不同的输出。
- 训练过程：LSTM网络通常需要通过训练来学习适应给定任务的权重和参数。如果使用相同的代码运行，但是在训练过程中使用了不同的数据集或者不同的训练参数，那么网络的输出也会有所不同。
综上所述，尽管使用相同的代码，LSTM网络可能会给出不同的输出。这是由于随机初始化、非确定性计算、数据输入和训练过程等因素的影响。为了获得一致的输出，可以通过固定随机种子、确保输入数据的一致性、使用相同的训练数据和参数等方法来控制这些因素。
相关·内容
2回答
我训练了一个LSTM模型，并将该模型保存为：
model.save('model.h5')
model.save_weights('Model')
model.save('MODEL')
但是当我使用时：
model = load_model('')
对于所有的保存选项，model.predict()为不同的输入提供相同的输出。有没有办法保存模型以给出正确的输出？谢谢
浏览 0提问于2021-01-15得票数 0
当我一层一层地构建模型时，Sequential和Model([input],[output])的结果似乎是一样的。但是，当我使用以下两个输入相同的模型时，它们给出了不同的results.By方式，输入形状是(None, 15, 2)，输出形状是(None, 1, 2)。
Sequential模型：
model = tf.keras.Sequential(
[
tf.keras.layers.Conv1D(filters = 4, kernel_size =7, activation = "relu"),
tf.keras.layers.C
浏览 12提问于2022-08-07得票数 1
4回答
来自Tensorflow代码：丹索尔·弗洛.RnnCell。
num_units: int, The number of units in the LSTM cell.
我不明白这意味着什么。LSTM单元的单位是什么？输入，输出和忘记门？这是否意味着“深层LSTM的递归投影层中的单元数”？那为什么它被称为“LSTM单元中的单元数”？什么是LSTM单元，它与LSTM块有什么不同?如果不是单元，最小LSTM单元是什么？
浏览 0提问于2016-07-24得票数 38
回答已采纳
我正在尝试理解LSTM模型是如何工作的，特别是在keras的LSTM层中return_sequences参数的使用。作为一个简单的例子，参考下面的代码，我有点理解LSTM(1)“为输入序列输出一个具有3个时间步长的隐藏状态”，LSTM(1, return_sequences=True)“返回一个3个值的序列，每个输入时间步长一个隐藏状态输出”。
然而，我对此的理解是，根据递归网络的功能，LSTM(1)的单个输出与每个时间步长相关，这意味着LSTM(1, return_sequences=True)的最终输出应该与LSTM(1)的单个输出相同
例如，参考下面的代码，我不明白为什么模型2的预测的最
浏览 14提问于2021-02-17得票数 0
回答已采纳
1回答
训练神经元网络识别音乐和弦和音程
、、、、
在学校里，我们必须听音程和和弦，并确定他们的名字。我真的对神经元网络感兴趣。这就是为什么我想用Python创建一个神经元网络，它可以听音频，并给出输出的名称。我学过一次音乐我需要一个LSTM。为此目的，我还需要一个LSTM吗?我应该如何/从哪里开始？有人能教我如何实现我的目标吗？
浏览 0提问于2020-05-06得票数 0
回答已采纳
1回答
我使用Keras构建了一个用于文本分类的LSTM模型。现在我有了要训练的新数据。我没有附加到原始数据并重新训练模型，而是考虑使用模型权重来训练数据。即使用新数据进行训练的权重。然而，不管我训练的量有多大，模型都不能预测正确的分类(即使我给出相同的句子进行预测)。可能的原因是什么？请帮帮我。
浏览 1提问于2018-11-26得票数 0
1回答
对于LSTM，我们可以检索最后的输出和最后的单元格状态，如下所示
outputs, state_h, state_c= LSTM(lstm_dim, return_sequences=True, return_state=True)(inputs)
其中state_h是最后的输出序列；输出-1= STATE _h，state_c是，是LSTM的最后一个单元格状态。
但是，对于GRU，它没有这样的选项，只是给出了与state_h等价的选项。我如何从Keras获得最后一个单元状态state_c？
浏览 0提问于2019-05-02得票数 2
我有一个用python (kears)编写的LSTM神经网络，我想用tp预测一些时间序列数据。 我的问题是我总是得到不同的损失和r2 (决定度)值，有时甚至NaN作为损失，尽管我根本不改变代码 我尝试使用不同的损失函数(mse，mae)。我还试着改变图层或序列的大小，但都不起作用。 changes = Bedarf_data[["Bedarf_changes", "Temperatur_changes", "monat", "uhrzeit"]].values
X = []
Y = []
for i in range (0,
浏览 26提问于2019-08-22得票数 1
回答已采纳
2回答
我想在相同数量的tensorflow keras包装器中实现单向和双向LSTM。例如，我用256个单元实现单向LSTM，用128个单元实现双向LSTM (据我所知，每个方向的LSTM为128个单元，总共256个单元)。实施细节：
import tensorflow as tf
in_ = tf.keras.Input(shape=(28,28))
x = tf.keras.layers.LSTM(256)(in_)
model_unidirectional = tf.keras.Model(in_,x)
print(model_unidirectional.summary())
y =
浏览 0提问于2020-07-27得票数 1
回答已采纳
1回答
变压器对RNN的基本怀疑
、、、、
我有一个基本的疑问。请澄清这一点。
我怀疑，当我们使用LSTM时，我们会依次传递单词并得到一些隐藏的表示。
现在，变压器也做同样的事情，除了非顺序。但是我已经看到，基于BERT的模型的输出可以用作word嵌入。
为什么我们不能使用LSTM的输出作为一个字嵌入？我可以找到句子的相似性和所有与LSTM也？
如果我有句“外面很热吗？”
现在，我将应用word2Vec并获得密集表示，并将其传递给我的LSTM模型。我的LSTM的输出也可以用作单词嵌入，就像我们对BERT做的一样？
我的理解是，LSTM用于识别单词之间的依赖关系，并使用所学的权重来执行分类/类似任务。
浏览 0提问于2022-07-29得票数 0
回答已采纳
我试图在Keras中使用LSTM构建一个seq2seq模型。目前正在处理从英语到法语的数据集-10k对(orig数据集有147 k对)。训练结束后，在尝试预测给定输入序列的输出时，模型预测相同的输出，而不管输入seq。同时对编码器和解码器使用单独的嵌入层。我观察到的是，预测的单词只不过是数据集中最常见的单词，它们是按频率的递减顺序显示的。‘我认识你’，‘我们能走吗?'，’振作起来‘--对于所有这些输入，输出是- 'je en train’(这三个输出都是相同的)。
有人能帮我吗?为什么模特会这样。我是不是错过了一些基本的东西？
我试着跟着batchsize=32，epoch=5
浏览 1提问于2018-04-03得票数 5
Keras版本2.4.3
我正在创建一个简单的Image-Caption模型，它有两个输入和一个输出。
模型定义代码如下：
# Image feat part
imginp = Input(shape=(512,))
imglay1 = Dropout(0.5)(imginp)
imglay2 = Dense(EMBED_SIZE, activation=act)(imglay1)
# LSTM Part
textinp = Input(shape=(39,))
textlay1 = Embedding(VOCAB_SIZE, EMBED_SIZE, mask_zero=True)(texti
浏览 44提问于2020-11-15得票数 0
回答已采纳
1回答
具有多个单元的LSTM模型
、、、、
例如，在堆叠的LSTM层中，LSTM_1为了将每个时间步骤的输出传递给LSTM_2，所以它需要在每个时间步骤中返回隐藏的状态值，就像我在下面画的体系结构一样：
📷
但是上面的图片只有一个单元，所以我想知道它是否有多个单元，例如内存unit=2，这个模型会是什么样的。
📷
或
📷
或者有人指出了错误的部分，或者给出了一个具有多个单元的LSTM模型可视化体系结构的示例，谢谢！
也许我的描述不够清楚，所以我尝试给出一个更清晰的问题描述和图表:我试图用下面的图片来说明这个问题，我的问题是:当LSTM模型有2_units,2_layers时，架构师是否正确。
📷
浏览 0提问于2017-11-19得票数 6
回答已采纳
我需要找到一个复杂函数的全局最小值。我用的是来自scipy.optimize的跳伞。当我改变方法，例如method=“need”与“L B”或初始猜测x0时，它们给出了不同的结果，特别是在我需要在下一步中使用的x值方面。x5 = 0.6表示“nelder”，而x5=0.0008具有“L B”，尽管函数值类似于2055.7795和2055.7756 (所有这些都具有“成功:真”)。我以为跳伞能找到全球最小值。所以它应该给出同样的结果，不管我用什么方法或者最初的猜测。有人能解释一下为什么吗？并建议我应该如何找到全局最小值，并检查它是否是全局的(而不是本地的)。
谢谢
浏览 13提问于2022-01-13得票数 0
1回答
堆叠LSTM层
、、、、
有人能告诉我那些堆叠的LSTM层之间的区别吗？
📷
📷
第一图像在这个问题中给出，第二图像在这篇文章中给出。到目前为止，我所了解的关于堆叠LSTM层的知识是基于第二张图像的。当您构建LSTM层时，其中一个层(即h^{1}_{l}, l=..., t-1, t, t+1...)的输出成为其他层的输入，这称为堆栈。在叠层LSTM中，每个LSTM层输出一个向量序列，这些向量将用作后续LSTM层的输入。然而，在第一图像中，输入变量再次被输入到第二层。有人能告诉我，像第一张图像中给出的那样，堆叠LSTM层是否有什么问题？
浏览 0提问于2018-10-24得票数 2
回答已采纳
1回答
我尝试了在keras中使用一个简单的lstm模型，使用imdb数据集进行简单的情感分析，同时使用顺序模型和模型模型，结果表明后者的效果更差。这是我的密码：
model = Sequential()
model.add(Embedding(top_words, embedding_vector_length, input_length=max_review_length))
model.add(LSTM(100))
model.add(Dense(2, activation='softmax'))
model.compile(loss='categorical_cross
浏览 1提问于2017-03-17得票数 1
回答已采纳
1回答
我正在学习使用LSTM模型进行时间序列预测。我找到了一个很好的教程，我正在尝试堆叠LSTM来解决“多并行输入和多步输出”部分中的问题。
数据集如下：
[ 10 15 25
20 25 45
30 35 65
40 45 85
50 55 105
60 65 125
70 75 145
80 85 165
90 95 185]
任务是使用三个时间序列中每个时间序列的最后三个时间步长作为模型的输入，并预测三个时间序列中每个时间序列的下一个时间步长作为输出。
例如，下面是X输入：
[10 15 25
20 25 45
30 35 65]
这是y的输出：
[ 40 45 85
50 55 105]
本
浏览 9提问于2019-02-06得票数 0
2回答
LSTM层间的激活函数
、、、、
我知道LSTM单元内部同时使用sigmoid和tanh激活函数，但是当创建一个堆叠的LSTM体系结构时，通过激活函数(例如ReLU)传递它们的输出是否有意义？
那么，我们是否更喜欢这样：
model = LSTM(100, activation="relu", return_sequences=True, input_shape(timesteps, n_features))
model = LSTM(50, activation="relu", return_sequences=True)(model)
...
为了这个？
model = LSTM(100,
浏览 0提问于2020-01-16得票数 13
回答已采纳
6回答
GRU和LSTM之间的主要区别是，GRU有两个门(重置和更新门)，而LSTM有三个门(即输入、输出和遗忘门)。
当我们通过LSTM模型对网络有更多的控制时，我们为什么要使用GRU (因为我们有三个门)？在哪种情况下，GRU比LSTM更可取？
浏览 0提问于2016-10-17得票数 176
1回答
考虑下面的代码片段：
lstm = nn.LSTM(10, 5, batch_first=True)
states = (torch.rand(1, 1, 5), torch.rand(1, 1, 5))
h, states = lstm(torch.rand(1, 1, 10), states)
print('h:')
print(h)
print('states[0]:')
print(states[0])
输出：
h:
tensor([[[0.2808, 0.3357, 0.1290, 0.1413, 0.2648]]], grad_fn=<Tran
浏览 0提问于2018-08-14得票数 0
回答已采纳
1回答
深度学习精度变化
、、、、
每次我更改数据集时，它都会给出不同的精度。有时它提供97%，50%和92%。这是一种文本分类。这一切为什么要发生？另外95%来自两个数据集，这些数据集大小相同，结果几乎相同。
#Split DatA
X_train, X_test, label_train, label_test = train_test_split(X, Y, test_size=0.2,random_state=42)
#Size of train and test data:
print("Tr
浏览 3提问于2022-08-09得票数 -1
1回答
我正在尝试使用具有30个不同特征的时间序列数据集，并希望预测其中3个特征的未来值。有没有什么方法可以使用TensorFlow和Sckit-learn来指定我想要用于输出的功能以及输出的数量？或者这只是在我创建x_train、y_train等集合时完成的？我想根据各种气象因素(气压、HDD、CDD、污染等)来预测热指数、温度和湿度。我希望预测的3个因素是30个总特征中的一部分。 我正在使用TensorFlows RNN教程：https://www.tensorflow.org/tutorials/structured_data/time_series univariate_past_histo
浏览 18提问于2020-07-17得票数 1
Random rand = new Random(10);
Console.WriteLine(rand.Next(100));
这几行代码总是给出95作为输出。当我在第一行"8“中设置构造函数的参数值时，代码总是给出90作为输出。有人能指着我为什么会这样吗？
P.S:我猜这与参数值对Random类对象的作用有关，但是对这种行为有一个具体的洞察力将是非常感谢的。
浏览 3提问于2015-10-10得票数 0
回答已采纳
1回答
理解我的LSTM模型的结构
、、、、
我试图解决以下问题：
我有很多设备的时间序列数据。每个设备记录的长度为3000。每个捕获的数据点都有4个度量。所以我的数据是成形的(设备记录的数量，3000，4)。
我正在尝试生成一个长度为3000的向量，其中每个数据点都是3个标签(y1、y2、y3)中的一个，所以我想要的输出dim是(设备记录的数量，3000，1)。我给训练贴上了标签。
为此，我尝试使用LSTM模型，因为“随时间序列数据移动时的分类”似乎是RNN类型的问题。
我把我的网络设置成这样：
model = Sequential()
model.add(LSTM(3, input_shape=(3000, 4), return_se
浏览 5提问于2020-04-10得票数 1
回答已采纳
2回答
我正与LSTM合作解决我的时间序列预测问题。我有以下网络：
model = Sequential()
model.add(LSTM(units_size=300, activation=activation, input_shape=(20, 1)))
model.add(Dense(20))
我的预测问题是预测接下来的20个时间步骤，回顾过去的20个时间步骤。因此，对于每次迭代，我都有一个输入形状，如(x_t-20.x_t)，并预测下一个(x_t+1...x_t+20)。对于隐藏层，我使用300个隐藏单位。
由于LSTM不同于简单的前馈神经网络，我无法理解这300个隐藏单元是如何用于LSTM
浏览 0提问于2019-03-09得票数 1
回答已采纳
1回答
我从LSTM NN和brain.js中得到了一个奇怪的意外输出，我想要了解它 您好，我是NN和ML的新手，我尝试使用brain.js的字符串分类示例，正如您在代码中看到的那样，我向训练数据添加了另一个对象，然后对迭代计数进行了“一点”更改。当我为"Code“的测试值运行程序时，我希望至少得到我最初在数据集中给出的四个字母中的一个的输出，但我得到了一个奇怪的输出"alla”！谁能告诉我为什么会这样:C？请注意，我是ML的新手，所有的新概念都让我不知所措。 const brain = require('brain.js/dist/index').default;
浏览 10提问于2019-05-12得票数 0
普通Dense层中的第一个参数也是units，是该层中神经元/节点的数量。然而，一个标准的LSTM单元如下所示：
(这是“”的改进型)
在Keras中，当我创建像这个LSTM(units=N, ...)这样的LSTM对象时，我实际上是否创建了这些LSTM单元的N？或者是LSTM单元内“神经网络”层的大小，即公式中的W层，还是其他什么东西？
就上下文而言，我是基于工作的。
以下是文档：
上面写着：
单位:正整数，输出空间的维数。
这让我觉得这是来自Keras“LSTM”对象的输出的数量。这意味着下一层将有N输入。这是否意味着LSTM层中确实存在这些LSTM单元的N，或者这恰好是
浏览 11提问于2017-05-30得票数 80
回答已采纳
1回答
我想稍微修改一下在LSTM的每个时间步计算(并因此重新输入)的隐藏状态。例如，向常规LSTM过程产生的隐藏状态添加一个常量向量这样简单的事情。我并不打算修改常规的gate机制--我更多地将其看作是对通常由LSTM创建的最终隐藏状态的计算。我觉得创建自己的LSTM单元有点过头了。或者，OutputProjectionWrapper似乎可以实现这一目标，尽管我并不打算创建新的输出，只需修改隐藏状态。
浏览 16提问于2017-01-21得票数 1
回答已采纳
1回答
我很难准确理解LSTM单元的范围--它是如何映射到网络层的。来自Graves (2014年)：
在我看来，在一个单层网络中，层= lstm信元。在多层rnn中，这实际上是如何工作的？
三层神经网络
LSTM细胞
单元格的输出为h_t，没有表示特定层的超级索引。方程式也是一样。每个单元是否跨越一个单层？还是每个单元在每个时间步骤跨越整个三个节点？
浏览 0提问于2017-07-20得票数 5
回答已采纳
2回答
在我的模型中添加LSTM层之前，我不确定是否需要添加一个密集的输入层。例如，使用以下模式：
# Model
model = Sequential()
model.add(LSTM(128, input_shape=(train_x.shape[1], train_x.shape[2])))
model.add(Dense(5, activation="linear"))
LSTM层是输入层，密集层是输出层(意思是没有隐藏层)吗？或者Keras创建了一个输入层，这意味着LSTM层将是一个隐藏层？
浏览 2提问于2020-11-20得票数 0
回答已采纳
1回答
我正在构建一个LSTM模型，使用Keras对一些评论数据进行分类。输出仅为1或0。 在将文本数据输入到lstm层之前，我添加了一个单词嵌入层。我的部分代码如下所示。这是max_feature的词汇表大小。Word向量大小为2。每个文档的大小为maxlen。所有文档都已填充到相同的长度。 但是，我总是对LSTM层的长度感到困惑。长度应该与我的文档长度(maxlen)相同吗？输入每个文档中的所有单词，然后输出？. 有相当多的在线资源来解释LSTM。但在执行方面，我觉得他们中没有多少人给出了明确的解释…… 如果有人能澄清这一点，我将不胜感激。 # max_features: vocabulary
浏览 19提问于2019-02-24得票数 0
回答已采纳
我是Tensorflow的新手，我想了解，所以我编写了这个测试程序来识别stateful选项的行为。
#Tensorflow 1.x version
import tensorflow as tf
import numpy as np
NUM_UNITS=1
NUM_TIME_STEPS=5
NUM_FEATURES=1
BATCH_SIZE=4
STATEFUL=True
STATEFUL_BETWEEN_BATCHES=True
lstm = tf.keras.layers.LSTM(units=NUM_UNITS, stateful=STATEFUL,
re
浏览 3提问于2019-10-05得票数 3
回答已采纳
1回答
我开始了一个非常简单的RNN项目，以巩固我的知识TF，基本上是一个简单的序列发生器使用LSTM和TF。该项目只是一个多对一的序列生成，输入是一个4整数窗口，输出每个窗口只有一个浮动。输入的最小数目是1，最大值是61，所以我可以从61和向前预测。我只是使用了一批所有的输入，它的形状为58,4,1，输出为58,1。为了更好地可视化，输入和输出已经写在下面。
Inputs Labels
[[[ 1],[ 2],[ 3],[ 4]], -------> [[0.0493],
[[ 2],[ 3],[ 4],[ 5]], -------&g
浏览 2提问于2017-11-16得票数 1
回答已采纳
我查看了LSTM层的Keras文档，关于RNN参数的信息如下：
keras.layers.LSTM(units, return_state=True)
参数：
return_state:布尔值。除了输出之外，是否还返回最后一个状态。
输出形状
if return_state:张量列表。第一个张量是输出。剩下的张量是最后的状态，每个状态都有形状(batch_size，单位)
这就是所有关于return_state for RNN的信息。作为初学者，很难理解剩余的张量是最后的状态，每个状态都有形状(batch_size，单位)，不是吗？
我确实理解存在单元格状态c和隐藏状态a，它们将被传递到下一个
浏览 37提问于2018-03-06得票数 9
3回答
我使用来运行LSTM神经网络。
我已经开始训练神经网络，我发现它太慢了。它几乎比CPU训练慢三倍。
CPU perfomance:每周期8 min；
GPU perfomance:每小时26 min。
在此之后，我决定在中找到答案，我应用了一个CuDNNLSTM (它只运行在GPU上)，而不是LSTM。
因此，GPU的性能仅为1 min /a的，模型的准确性下降了3%。
问题：
1)有人知道为什么在经典的LSTM层中GPU的工作速度比CPU慢吗？我不明白为何会出现这种情况。
2)为什么当我使用CuDNNLSTM而不是LSTM时，训练速度更快，模型的准确性降低？
P.S.：
My
浏览 1提问于2018-09-24得票数 10
回答已采纳
1回答
我正在建立一个LSTM，作为一份报告，并想总结一下有关它的事情。但是，我已经看到了在Keras中构建LSTM的两种不同的方法，它们为参数的数量产生了两个不同的值。
我想了解为什么参数会以这种方式不同。
问题正确地说明了为什么这样的代码
from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation
from keras.layers import Embedding
from keras.layers import LSTM
model = Sequential()
model.ad
浏览 11提问于2019-10-09得票数 0
大家好，各位数据科学家
我正在尝试使用LSTM (使用单词嵌入)来生成一个系统，该系统可以标记一个句子中的每个单词。为此，我给它一组不同大小的句子，使用填充，我使所有的句子都一样大小，以便LSTM可以处理它们。
问题是，LSTM的结果，排除了与填充部分相对应的标签后，给出了与输入不同大小的输出。
所以我的问题是，这是一个架构问题，还是需要更多的培训(更大的批次)？
谢谢你的帮助！
编辑:详细信息：
在下面的图片中，我展示了我的LSTM架构
📷
当运行n个大小的句子(使用一个热编码和单词嵌入)时，我得到一个结果，通常是不同的大小；结果是lstm的最终输出和相应的转换为单词。
此外，我现在也有一些
浏览 0提问于2020-02-24得票数 1
我构建一个LSTM，如下所示：
lstm_cell = tf.nn.rnn_cell.LSTMCell(n_hidden, forget_bias=1.0, state_is_tuple=True, activation=tf.nn.tanh)
lstm_cell = tf.nn.rnn_cell.DropoutWrapper(lstm_cell, output_keep_prob=0.5)
lstm_cell = tf.nn.rnn_cell.MultiRNNCell([lstm_cell] * 3, state_is_tuple=True)
然后我训练模型，并保存变量。下一次我加载保存的变
浏览 1提问于2016-12-16得票数 5
1回答
根据LSTM的设计：
📷
隐藏状态(ht)被输出两次(图片中的1和2)。
如果他们是一样的，为什么我们需要他们两次？
他们每一个都有不同的用途吗？
根据
nn.lstm
有三个输出(输出，h_n，c_n)。我不明白输出和h_n有什么不同？(他们不需要一样吗)？
浏览 0提问于2022-07-02得票数 1
回答已采纳
1回答
线性激活函数LSTM
、、、
我试图进行多步回归，并使用输出层：
LSTM(1，激活=‘线性’，return_sequences=True)
这是否实现这个目标的错误方式？我应该使用TimeDistributed(稠密(1))作为输出吗？如果是，为什么？
浏览 0提问于2019-12-13得票数 0
回答已采纳
2回答
看看Tacotron2模型的编码器部分：
我想知道为什么向前和推断是不同的？
def forward(self, x, input_lengths):
x = self.convolutions(x)
x = x.transpose(1, 2)
input_lengths = input_lengths.cpu().numpy()
x = nn.utils.rnn.pack_padded_sequence(
x, input_lengths, batch_first=True)
self.lstm.flatten_parameters
浏览 13提问于2019-08-05得票数 0
我有以下代码：
$lang="de-AT";
$currency="3333";
$formatter = new NumberFormatter($lang, NumberFormatter::DECIMAL);
$formatter->setAttribute(NumberFormatter::MAX_FRACTION_DIGITS, 2);
echo $formatter->format($currency);
可以通过复制/粘贴：在这里运行(尽管我不知道这个站点的php版本)
输出：3.333，这正是我所期望的。
但是在使用PHP7.0.2
浏览 5提问于2017-06-14得票数 2
回答已采纳
我正在加载 (23094，71,768)，(23094，19,282)的预训练模型.
当我传递形状为(29116，72,768)的新X值时，当检查输入时会出现错误:期望的lstm_1_input具有形状(71,768)，但得到与形状(72,768)的数组。
这是我的模型总结:模型："sequential_1“
图层(类型)输出形状参数
lstm_1 (无，71,256个) 1049600
lstm_2 (无，71，64) 82176
lstm_3 (无，32) 12416
dense_1 (稠密)(无，5358) 176814
reshape_1 (重塑)(无，19,282)
浏览 2提问于2020-04-06得票数 0
1回答
我了解编码器-解码器模型，以及编码器的输出将如何成为解码器的输入。假设这里我只有解码器模型，我有解码器initial_state (也就是给出了decoder_states_inputs )。 我想让"decoder_inputs“作为开始令牌(例如< start > )...但是我不知道怎么做，以什么格式？！ decoder_lstm = LSTM(n_units, return_sequences=True, return_state=True)
decoder_outputs, state_h, state_c = decoder_lstm(decoder_
浏览 133提问于2019-01-14得票数 0
回答已采纳
我试图比较三种预测技术：
平稳随机Poisson-GEV:其中事件的发生率由泊松过程给出，强度由一般极值分布(GEV)表示。
自回归积分移动平均(ARIMA)
长期短期内存网络(LSTM)
利用Akaike信息准则( AIC )对泊松-GEV拟合与数据进行比较是可能的，最好的拟合是较低的AIC。同样，也可以使用均方根误差(RMSE)对LSTM和ARIMA进行比较。
然而，由于参数的数量对我来说还不清楚，所以很难找到获得长期内存网络的AIC的方法。在寻找绕开这条路的时候，我找到了此页。我还是迷路了。
任何建议都会很好。非常感谢!
浏览 0提问于2021-06-18得票数 1
2回答
我想使用实现注意机制。我找到了一个使用这个注意机制的定制层的工作实现。而不是使用我的LSTM的输出值：
my_lstm = LSTM(128, input_shape=(a, b), return_sequences=True)
my_lstm = AttentionWithContext()(my_lstm)
out = Dense(2, activation='softmax')(my_lstm)
我想使用LSTM的隐藏状态：
my_lstm = LSTM(128, input_shape=(a, b), return_state=True)
my_lstm = Atten
浏览 3提问于2017-08-11得票数 7
回答已采纳
2回答
假设我们有一个用于时间序列预测的LSTM模型。而且，这是一个多变量的例子，所以我们使用多个特性来训练模型。
ipt = Input(shape = (shape[0], shape[1])
x = Dropout(0.3)(ipt) ## Dropout before LSTM.
x = CuDNNLSTM(10, return_sequences = False)(x)
out = Dense(1, activation='relu')(x)
我们可以在LSTM之前(如上面的代码)或LSTM之后添加Dropout层。
如果我们在LSTM之前添加它，
浏览 5提问于2019-11-07得票数 12
回答已采纳
我刚接触过tensorflow和机器学习。最近我在做一个模特。我的模型如下，
字符级嵌入向量->嵌入查找-> LSTM1
字级嵌入向量->嵌入查找-> LSTM2
LSTM1+LSTM2 ->单层MLP-> softmax层
LSTM1+LSTM2 ->单层MLP-> WGAN鉴别器
rnn模型的编码
当我处理这个模型时，我得到了以下错误。我觉得我的批次太大了。因此，我试图将批处理大小从20减少到10，但它不起作用。
[节点: chars/bidirectional_rnn/bw/bw/while/bw/lstm_c
浏览 3提问于2017-12-28得票数 15
回答已采纳
我想使用图像序列来预测1输出。
培训数据：
[(x_img1, y1), (x_img2, y2), ..., (x_img10, y10)]
彩色图像维数：
(100, 120, 3)
输出尺寸：(1)
在Keras中实现的模型：
img_sequence_length = 3
model = Sequential()
model.add(TimeDistributed(Convolution2D(24, 5, 5, subsample=(2, 2), border_mode="same", activation=‘rely’, name='conv1'
浏览 0提问于2017-09-13得票数 0
我想知道为什么下面使用Mersenne (在java中)的代码总是给出相同的99个数字，不管我运行了多少次。本质上它不是随机的？
MersenneTwister mt = new MersenneTwister();
for(int i = 0; i<=99; i++ ) {
System.out.println("Next "+mt.nextDouble());
}
浏览 0提问于2014-05-10得票数 1
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
实时音视频
对象存储
即时通信 IM活动推荐
腾讯云开发者
