尝试理解这段代码中应用于LSTM数据的accuracy()函数
LSTM（Long Short-Term Memory）是一种常用于处理序列数据的循环神经网络（RNN）模型。accuracy()函数是用于计算LSTM模型在预测时的准确率的函数。
在理解这段代码中应用于LSTM数据的accuracy()函数之前，我们先了解一下LSTM模型和准确率的概念。
LSTM模型： LSTM是一种特殊的RNN模型，通过引入门控机制来解决传统RNN模型中的梯度消失和梯度爆炸问题，能够更好地捕捉长期依赖关系。LSTM模型在自然语言处理、语音识别、时间序列预测等领域有广泛的应用。
准确率： 准确率是用于评估分类模型性能的指标之一，表示模型在预测时正确分类的样本比例。准确率越高，表示模型的分类能力越强。
现在我们来理解这段代码中应用于LSTM数据的accuracy()函数。由于代码没有提供具体实现，我们可以假设这个函数的功能是计算LSTM模型在预测时的准确率。
accuracy()函数的实现可能涉及以下步骤：
- 获取LSTM模型的预测结果和真实标签。
- 对比预测结果和真实标签，统计预测正确的样本数量。
- 根据预测正确的样本数量和总样本数量计算准确率。
- 返回准确率作为函数的输出。
在应用场景方面，accuracy()函数可以用于评估LSTM模型在分类任务中的性能，例如情感分析、文本分类等。通过计算准确率，可以了解模型的分类准确程度，从而进行模型的优化和改进。
推荐的腾讯云相关产品和产品介绍链接地址：
- 腾讯云AI开放平台：https://cloud.tencent.com/product/ai 腾讯云AI开放平台提供了丰富的人工智能服务和工具，包括自然语言处理、语音识别、图像识别等，可以帮助开发者快速构建和部署AI应用。
请注意，以上推荐的腾讯云产品仅供参考，具体选择还需根据实际需求进行评估和决策。
相关·内容
我是Lstm和机器学习的新手，我正在努力理解它的一些概念。下面是我的Lstm模型的代码。
Lstm模式：
model = Sequential()
model.add(Embedding(vocab_size, 50, input_length=max_length-1))
model.add(LSTM(50))
model.add(Dropout(0.1))
model.add(Dense(vocab_size, activation='softmax'))
early_stopping = EarlyStopping(monitor='val_loss',
浏览 0提问于2021-01-14得票数 0
回答已采纳
1回答
Keras:验证数据不显示准确性
、、、、
我用Python构建了一个用Keras进行数据集分类的算法。它是一个非常简单的LSTM网络，有一个输入层，一个隐藏层(LSTM)和一个密集输出层。
我的数据包括一些模拟测量: 63组训练和36组测试，每组有3个通道，每个通道有19200个样本，因此(按照我所理解的阅读)，我需要的输入形状是x= (63,19200,3)和y= (36,19200,3)。(如果您需要有关数据类型的其他信息，我可以解释更多。)
我的代码如下：
import numpy as np
import matplotlib.pyplot as plt
from sklearn.utils import shuffle
fr
浏览 3提问于2021-04-07得票数 0
3回答
我正试着在IMDb审查数据集上训练一个情绪分析的LSTM。
作为单词嵌入层的输入，我将每个评审转换为一个索引列表(对应于词汇表中的word索引)。我想把文本转换成一个热/计数矩阵，但我最终会得到巨大的稀疏矩阵(我应该担心这个吗？)
下面是我如何创建网络架构的方法：
model = Sequential()
model.add(Embedding(
input_dim=vocab_size,
output_dim=word_embed_vector_size,
input_length=sentence_len_max)
)
model.add(LSTM
浏览 0提问于2018-10-21得票数 1
3回答
我正在使用使用Tensorflow后端的Keras。 model = Sequential()
model.add(Masking(mask_value = 0., input_shape = (MAX_LENGTH, 1)))
model.add(LSTM(16, input_shape = (BATCH_SIZE, MAX_LENGTH, 1), return_sequences = False))
model.add(Dense(units = 2))
model.add(Activation("sigmoid"))
model.compile(loss = "
浏览 22提问于2019-02-06得票数 5
回答已采纳
下面是我尝试运行的代码：
y = Df[['label']]
y_train = np.column_stack((y_train['label']))
y_test = np.column_stack((y_test['label']))
data_dim = 18
timesteps = 1
num_classes = 2
model = Sequential()
model.add(LSTM(19, return_sequences=True,
input_shape=(timesteps, data
浏览 7提问于2018-10-21得票数 1
在训练中，Keras的categorical_accuracy值为100%。但是同样的训练数据，我已经将它的输出保存到一个文件中，显示了几个(实际上是相当多的)数据，这些数据被分类到错误的类别。我已经检查了标签的输入文件，它是正确的。
categorical_accuracy衡量的是什么？有没有更好的指标来调试LSTM？
model = Sequential()
model.add(LSTM(64, batch_input_shape=(7763, TimeStep.TIME_STEP + 1, 10), return_sequences=True, activation='relu&
浏览 0提问于2019-07-11得票数 1
2回答
我有一个时间序列数据 of 3228患者，我正在用LSTM 进行疾病(脓毒症)预测，我的数据如下所示。访问整个数据和整个代码。
HR O2Sat Temp SBP DBP Resp Age Gender ICULOS SepsisLabel P_ID
80.2 97.4 36.40 127.5 70.4 17.9 46 0 1 0 15888
95.0 97.0 36.85 102.5 63.4 30.0 46 0
浏览 6提问于2022-03-08得票数 0
2回答
当我执行我的model.fit(x_train_lstm, y_train_lstm, epochs=3, shuffle=False, verbose=2)
我总是感到失落，就像南：
Epoch 1/3
73/73 - 5s - loss: nan - accuracy: 0.5417 - 5s/epoch - 73ms/step
Epoch 2/3
73/73 - 5s - loss: nan - accuracy: 0.5417 - 5s/epoch - 74ms/step
Epoch 3/3
73/73 - 5s - loss: nan - accuracy: 0.5417 - 5s/
浏览 1提问于2022-03-16得票数 2
回答已采纳
1回答
我正在尝试使用LSTM对输入数据进行编码，然后从编码的数据中解码/重新创建它。我有100个样本要运行，每个样本有40个时间步长和1260个特征。我对网络的粗略看法如下。将数据输入到LSTM层，将其编码到密集层，然后使用最终的LSTM作为输出层。 model = Sequential()
model.add(LSTM(100, input_shape=(40, 1260), return_sequences=True))
model.add(Dense(100, activation='softmax'))
model.add(LSTM(1260))
model.compil
浏览 17提问于2020-09-07得票数 0
回答已采纳
2回答
虽然我试图实现一个用于轨迹分类的LSTM网络，但即使是简单的轨迹，我也一直在努力获得像样的分类结果。此外，我的训练精度一直在波动，没有明显增加，这也可以在tensorboard中看到：
训练准确率：
这是我的模型：
model1 = Sequential()
model1.add(LSTM(8, dropout=0.2, return_sequences=True, input_shape=(40,2)))
model1.add(LSTM(8,return_sequences=True))
model1.add(LSTM(8,return_sequences=False))
mode
浏览 1提问于2018-08-03得票数 1
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
我的模型是这样的：
def _get_model(input_shape, latent_dim, num_classes):
inputs = Input(shape=input_shape)
lstm_lyr,state_h,state_c = LSTM(latent_dim,dropout=0.1,return_state = True)(inputs)
fc_lyr = Dense(num_classes)(lstm_lyr)
soft_lyr = Activation('relu')(fc_lyr)
model = Model(inputs, [
浏览 2提问于2021-01-11得票数 0
回答已采纳
我是Tensorflow的新手，我在Tensorflow中使用LSTM-RNN进行培训。我需要保存模型，以便可以恢复并再次运行测试数据。我不确定要保存什么。 我需要保存sess，或者在保存sess、恢复和测试测试数据时需要保存pred one_hot_predictions, accuracy, final_loss = sess.run(
[pred, accuracy, cost],
feed_dict={
x: X_test,
y: one_hot(y_test)
}
) 那么错误就是unknown for pred。由于
浏览 22提问于2019-01-24得票数 1
3回答
我在一个数据集上应用LSTM，该数据集有53699个条目用于培训集，23014条条目用于测试集。输入训练集的形状为(53699,4)。我尝试过不同的激活(tanh，relu)和不同的单位大小与四个LSTM层和一个密集的层，但精度很低。如何提高这个问题的准确性？
regressor=Sequential()
from keras.layers.normalization.batch_normalization import BatchNormalization
regressor.add(LSTM(units=256, activation='tanh',return_sequ
浏览 9提问于2022-05-10得票数 0
1回答
如何识别LSTM中的重要特征
、、、、
我有一个二进制分类问题，对于每个数据点，我有3个时间序列，如下所示。
data_point, time_series1, time_series2, time_series3, label
d1, [0.1, ....., 0.5], [0.8, ....., 0.6], [0.8, ....., 0.8], 1
and so on
我使用以下代码来执行二进制分类。
model = Sequential()
model.add(LSTM(100, input_shape=(25,4)))
model.add(Dense(50))
model.add(D
浏览 2提问于2019-11-06得票数 2
回答已采纳
1回答
首先，我对这些概念很陌生。我使用了两个lstm层和级联。但是当我用两个周期训练模型时，它工作得很好(我相信，因为它提供了大约90%的精度)。但是，当我增加epochs=10的大小时，当训练保持不变(0.5601)和val_loss(6.7802)时，val_accuracy也会更高，并且保持不变。但是当我用两个时代训练时，val_accuracy和val_loss是可以的(val_accuracy=0.9924，val_loss=0.0392(不保持不变))
这是连接LSTM的代码。
数据集采用一次热编码进行预处理。嵌入层长度为50。
inputs = Input(shape=(50))
ls
浏览 3提问于2022-03-30得票数 0
由于this reason，我正在试验使用可变长度输入的LSTM。我想确保蒙版下的损失计算正确。因此，我训练了下面的模型，该模型在填充序列上使用Masking层。 from tensorflow.keras.layers import LSTM, Masking, Dense
from tensorflow.keras.utils import to_categorical
from tensorflow.keras import models, losses
import tensorflow as tf
import numpy as np
import os
""&#
浏览 27提问于2020-10-18得票数 1
回答已采纳
1回答
有谁能解释一下这段代码的功能吗？
、、、、
有谁能解释一下这段代码的功能吗？
embedding_vector_length = 32 model = Sequential()
model.add(Embedding(vocab_size,embedding_vector_length,
input_length=200) ) model.add(SpatialDropout1D(0.25))
model.add(LSTM(50, dropout=0.5, recurrent_dropout=0.5))
model.add(Dropout(0.2)) model.add(Dense(1, activation='sigm
浏览 4提问于2022-05-20得票数 0
我有一个三维数据集的音频文件，其中X.shape是(329,20,85)。我想有一个辛普尔赤裸的模型运行，所以请不要挑剔，只解决手头的问题。以下是代码：
model = tf.keras.models.Sequential()
model.add(tf.keras.layers.LSTM(32, return_sequences=True, stateful=False, input_shape = (20,85,1)))
model.add(tf.keras.layers.LSTM(20))
model.add(tf.keras.layers.Dense(nb_classes, activa
浏览 0提问于2020-05-01得票数 28
回答已采纳
1回答
我有这段二进制分类的代码。我已经针对keras imdb数据集对其进行了测试。
model = Sequential()
model.add(Embedding(5000, 32, input_length=500))
model.add(LSTM(100, dropout=0.2, recurrent_dropout=0.2))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer=
浏览 0提问于2017-09-27得票数 6
回答已采纳
1回答
我正在研究LSTM和LSTM AutoEncoders，使用Keras为多变量时间序列数据尝试不同类型的体系结构。
由于在LSTM中使用relu实际上并不实际，因为存在爆炸梯度，所以我在LSTM之后添加了一个密集的层，因此它类似于：
model = Sequential()
model.add(LSTM(number_of_features, batch_input_shape = (batch_size, time_steps, number_of_features), return_sequences = True))
model.add(Dense(number_of_features)
浏览 0提问于2020-11-10得票数 3
回答已采纳
1回答
我正在为基于字的NLP尝试不同的神经网络架构。
到目前为止，我在本教程的指导下使用了双向的、嵌入式的、带有GRU的模型：和所有这些都很好。然而，当我尝试使用LSTM时，我发现一个错误：
逻辑和标签必须具有相同的一维，得到逻辑形状为32,186和标签形状为4704。
我怎么才能解决这个问题？
我的源和目标数据集由7200个例句组成。它们是整数标记和嵌入的。添加源数据集以匹配目标数据集的长度。
这是我的模型和相关代码：
lstm_model = Sequential()
lstm_model.add(Embedding(src_vocab_size, 128, input_length=X.sh
浏览 1提问于2019-10-24得票数 0
回答已采纳
因此，我正在尝试编写一个用于时间序列预测的多变量LSTM，在我的模型中，损失减少，但精度指标根本不变。我试着改变神经元的数量，层数，学习率，早期停止，输出层上的激活函数，以及l2正则化，但都没有效果。我是机器学习的初学者，所以任何帮助都是我的努力的appreciated.Most，就像在黑暗中扔石头一样。我将GitHub链接附加到我的代码中，以及一些训练时期。 # Importing the Keras libraries and packages
from keras.models import Sequential
from keras.layers import Dense
from
浏览 21提问于2021-07-26得票数 0
我正在训练一个两层的LSTM网络，每层有16到32个单元，训练数据集相当不平衡。基于我的七个类频率，通过total_samples/ class _frequency的简单公式计算的样本权重为3.75.626.23.2,191.6，8.413.2，我将每个样本的这个权重添加到我的数据集生成器的(data，label)输出的元组中，以运行我的Keras model.fit()函数。训练代码是： model.compile(optimizer=optimizer, loss='categorical_crossentropy', metrics=['accuracy
浏览 12提问于2019-09-11得票数 1
1回答
我有以下模式：
sharedLSTM1 = LSTM((data.shape[1]), return_sequences=True)
sharedLSTM2 = LSTM(data.shape[1])
def createModel(dropoutRate=0.0, numNeurons=40, optimizer='adam'):
inputLayer = Input(shape=(timesteps, data.shape[1]))
sharedLSTM1Instance = sharedLSTM1(inputLayer)
sharedLS
浏览 1提问于2018-02-06得票数 0
回答已采纳
我有一个深度学习模型，我必须输入大小的图像，比如100X100。我掌握的数据是
列车图像- x_train (530,100,100)，列车标签- y_train (530,4)，
测试图像- x_test(89,100,100)，测试标签- y_test(89,4)。
数据集mnist使用-
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
它会产生这样的东西-
Datasets(train=tensorflow.contrib.learn.python.learn.datasets.mnist.Dat
浏览 0提问于2019-04-17得票数 3
回答已采纳
我正在尝试使用Keras (2.2.0版)和TensorFlow (1.1.0版)来训练一个LSTM神经网络。我知道有更新的TensorFlow版本，但不幸的是，。但是，我不认为我的问题与TensorFlow版本有关。
这就是我的Keras代码的样子：
[...] from keras.layers import Dense, Dropout, LeakyReLU, LSTM, Activation, Dense, Dropout, Input, Embedding
def LSTM(X,Y):
inputDimension = len(X[0])
inputSize = l
浏览 0提问于2018-07-23得票数 5
回答已采纳
我在用Keras做一个递归神经网络。我的数据框架由22个特征(X)和y为0和1(二进制)组成。下面是我的代码，它得到了一致的低精度与时代10也。而且，它给了我一个形状错误。我不知道该怎么改进。有人能帮我理解它的形状吗？对于输入和隐藏层，它需要提供什么样的形状？
from keras.models import Sequential
from keras.layers import Dense,Dropout,Flatten
from sklearn.model_selection import StratifiedKFold
import numpy as np
# fix random se
浏览 1提问于2020-10-20得票数 0
2回答
我正在用Keras训练一个CNN的LSTM模型，在训练完成之后，我试着对测试数据进行评估，就像我对CNN进行微调时所做的那样，但是这次出现了一个错误。
在完成培训之后，我试图按照下面的代码对测试集进行评估：
x, y = zip(*(testgenerator[i] for i in range(len(testgenerator))))
x_test, y_test = np.vstack(x), np.vstack(y)
loss, acc = Bi_LSTM.evaluate(x_test, y_test, batch_size=9)
print("Accuracy: &#
浏览 0提问于2018-10-16得票数 0
回答已采纳
2回答
我不理解Keras的嵌入层。虽然有很多文章对此进行了解释，但我仍然感到困惑。例如，以下代码来自imdb情感分析：
top_words = 5000
max_review_length = 500
embedding_vecor_length = 32
model = Sequential()
model.add(Embedding(top_words, embedding_vecor_length, input_length=max_review_length))
model.add(LSTM(100))
model.add(Dense(1, activation='sigm
浏览 1提问于2017-08-12得票数 21
我正在Keras中实现双向LSTM。在训练过程中，训练精度和验证精度分别为0.83和0.45。
Epoch 1/50
32000/32000 [==============================] - 597s 19ms/step - loss: 0.4611 - accuracy: 0.8285 - val_loss: 0.4515 - val_accuracy: 0.8316
Epoch 2/50
32000/32000 [==============================] - 589s 18ms/step - loss: 0.4563 - accuracy: 0.8
浏览 2提问于2020-04-14得票数 0
对于在Keras中将辍学应用于我的顺序模型的不同方法，我有点困惑。
我的模型如下：
model = Sequential()
model.add(Embedding(input_dim=64,output_dim=64, input_length=498))
model.add(LSTM(units=100,dropout=0.5, recurrent_dropout=0.5))
model.add(Dense(units=1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', op
浏览 0提问于2018-03-23得票数 9
回答已采纳
我正在尝试训练LSTM，但训练精度在每个时期都保持为零。我已经将数据转换为多变量时间序列数据，并以三维形状进行形状。我也有使用minmaxsaller的归一化数据。
我已经尝试了从5到50的纪元数和从25到200的批量大小。我尝试了从1000000到1000的数据样本，但都不起作用。
每次我得到的训练准确率都是零。
有没有人可以帮我理解它，或者建议我做更多的实验。
下面是我的网络。
from keras.layers.core import Dense,Activation,Dropout
from keras.layers.recurrent import LSTM
from keras.m
浏览 3提问于2017-11-29得票数 0
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
我正在尝试构建一个LSTM，但我对塑造数据的最佳方式感到困惑。
我有一个数据帧，看起来像这样：
df.head(5)
data labels
0 [0.0009808844009380855, 0.0008974465127279559] 1
1 [0.0007158940267629654, 0.0008202958833774329] 3
2 [0.00040971929722210984, 0.00039397252297
浏览 10提问于2020-05-05得票数 0
回答已采纳
我有100,000行的多变量时间序列数据，目前有32个特征(特征将在稍后减少)。 我已经尝试过使用layer_flatten了。正如其他人在github上建议的那样。不幸的是，这对我不起作用。 这个错误是在我尝试构建keras模型时产生的。 这是我的代码： lstm_v1 <- keras_model_sequential() %>%
layer_lstm(units = 32, input_shape = c(nrow(data), 1, ncol(data)), batch_size = nrow(data), return_sequences = T) %>%
浏览 19提问于2019-01-17得票数 1
回答已采纳
Merge未与Keras/Tensorflow/Python3版本一起运行。在以前的版本中，Merge正在运行。但现在，它没有运行。所以我想我应该把这段代码换成"Merge“。新的Keras/Tensorflow/Python3版本中缺少"Merge“。
如何重写Merge(...，mode='ave')和Merge(...，mode='concat')？
我的代码部分如下：
...
from keras.layers import Merge
...
left_branch = Sequential()
left_branch.add(Con
浏览 0提问于2018-10-18得票数 2
1回答
如何打印Keras张量值？
、、、、
我想打印LSTM层的状态值。 class CustomCallback(keras.callbacks.Callback):
def on_epoch_end(self, epoch, logs=None):
encoder_outputs, state_h, state_c = self.model.layers[1].output
print(state_h)
print(state_c) 它打印的内容如下所示 32/32 - 0s - loss: 39.6719 - accuracy: 0.2420
KerasTensor(type
浏览 108提问于2021-11-01得票数 1
回答已采纳
我在使用Keras将我的数据排序为RNN的正确格式时遇到了问题。我有一个22列、1344行的csv文件。我的数据是连续变量，每隔30分钟记录一次，持续数周。 我知道keras需要以格式(num sample，timestep，nfeature)输入，所以对于我的数据，我将其视为(1344, 48 ,22) (因为我的数据在24小时内有48个读数)。 从csv导入时，x数据的形状为(1344,22)。 下面是我的代码： model=Sequential()
model.add(LSTM(21, input_shape=(1344,22),kernel_initializer='norm
浏览 15提问于2019-03-15得票数 0
回答已采纳
当我尝试运行这段代码时：
p0 = Sequential()
p0.add(Embedding(vocabulary_size1, 50, weights=[embedding_matrix_passage],
input_length=50, trainable=False))
p0.add(LSTM(64))
p0.add(Dense(256,name='FC1'))
p0.add(Activation('relu'))
p0.add(Dropout(0.5))
p0.add(Dense(50,name='out_layer'))
p0.a
浏览 19提问于2018-12-16得票数 1
回答已采纳
我想要将数据集的5行输入到LSTM中，并对Y的第6行进行分类。我是通过重塑数据来输入数据的：
X = X.reshape(6000,5,5)
但是我如何预测第六排的Y呢？Y应该是什么形状？我在Google上读了很多书，搜索了很多，但老实说，我无法理解这些代码，因为他们在使用之前对数据进行了自定义。
我的完整代码：
import pandas as pd
from sklearn.preprocessing import LabelEncoder,MinMaxScaler
from keras.layers import Dense,RNN,LSTM,Activation,Dropout,Sim
浏览 2提问于2018-06-12得票数 0
回答已采纳
我无法评估我的模型，因为当我试图打印我的模型的准确性时，我发现了这个错误。我如何评估我的模型？我使用LSTM从我的数据集生成新数据，我知道不同的度量标准，比如准确性、精确性和回忆性，但是每次我尝试实现生成的数据时，我都会发现这个问题。
#scaled is my dataset that i scaled and contain 6879 line with this value:
#array([[0. , 0. , 0. , 0. , 0. ],
# [0. , 0.25 , 0.
浏览 6提问于2022-07-14得票数 0
1回答
我是这个领域的新手，正在尝试重新运行从互联网复制的示例LSTM代码。LSTM模型的精度始终是0.2，但预测的输出是完全正确的，这意味着精度应该是1。有人能告诉我为什么吗？
from numpy import array
from keras.models import Sequential, Dense, LSTM
length = 5
seq = array([i/float(length) for i in range(length)])
print(seq)
X = seq.reshape(length, 1, 1)
y = seq.reshape(length,
浏览 45提问于2019-06-04得票数 2
1回答
如何选择LSTM二维输入形状？
、、、、
我正在尝试将具有22个特征( 22,2000)的一维信号(1,2000)送入LSTM.
(1d信号以10秒为单位，采样率为200 hz )。
我有808批。(808、22、2000)
我看到它接收三维张量形状(batch_size，timestep，input_dim)。
所以我的输入形状是对的吗？
：：(batch_size = 808，timestep = 2000，input_dim = 3)
这是我的代码示例。
# data shape check
print(X_train.shape)
print(X_test.shape)
print(y_train.shape)
print(y
浏览 1提问于2017-12-08得票数 0
回答已采纳
在这里，我尝试使用LSTM回归模型根据实际值来预测该值。在预测值之后，我需要找到预测值与实际值的预测准确率百分比。
我试过了，但它给了我很大的负值。
下面是我的代码：
pred=model.predict(x_test)
pred = scaler_y.inverse_transform(np.array(pred).reshape ((len(pred), 1)))
real_test = scaler_y.inverse_transform(np.array(y_test).reshape ((len(y_test),1))).astype(int)
pred = pred[:,0]
re
浏览 4提问于2020-01-24得票数 0
1回答
如何连续训练keras模型
、、、、
我正在尝试连续训练不同的模型，而不需要重新运行我的程序或一直更改我的代码，这样我就可以让我的PC训练不同的模型 我使用for循环，同时提供来自字典的不同信息，以便每次构建不同的模型，因此每次调用de函数时，我都可以训练一个新模型，以测试不同设置的准确性，以了解在每种情况下哪一个是最好的。 def create_model(modeltoload):
model = Sequential()
previsores, alto, baixo, fechado, aberto = get_train_data(modeltoload)
if modeltoload['
浏览 16提问于2019-06-17得票数 0
回答已采纳
1回答
我正在尝试建立一个LSTM自动编码器来预测时间序列数据。因为我是Python的新手，所以我在解码部分有错误。我试着像和一样构建它。我根本不能理解所给例子之间的区别。我现在拥有的代码如下所示：
问题1:当每个样本有2000个值时，如何选择batch_size和input_dimension？
问题2:如何让这个LSTM自动编码器工作(模型和预测)？这只是一个模型，但是如何预测呢？它是从样本10开始直到数据结束的预测？
Mydata总共有1500个样本，我会选择10个时间步长(如果更好的话)，每个样本有2000个值。如果你需要更多的信息，我稍后也会把它们包括在内。
trainX = np.resh
浏览 3提问于2018-04-21得票数 6
1回答
我正在尝试对具有文本属性和TFIDF向量的数据集运行LSTM。I word嵌入文本和输入到LSTM层。接下来，我将连接LSTM输出和TFIDF向量。但是，下面代码中的第2行抛出以下错误： "ValueError:使用不是符号张量的输入调用了层lstm_1。收到的类型：。完整输入：[]。层的所有输入都应为张量。“ 代码如下所示，其中len(term_Index)+1 = 9891，emb_Dim=100，emb_Mat包含浮点数，形状为9891,100，sen_Len=1000： embed = Embedding(len(term_Index) + 1, emb_Dim, w
浏览 44提问于2020-03-23得票数 1
回答已采纳
1回答
角膜中LSTM中的形状不匹配
、、、、
我正在尝试使用Keras在我的自定义功能集上运行LSTM。我将训练和测试功能放在不同的文件中。每个csv文件包含11列，最后一列作为类标签。我的数据集中总共有40个类。问题是我不能计算出第一层的正确input_shape。我已经探索了所有的stackoverflow和github，但仍然不能解决这个问题，下面是我的完整代码。
import numpy
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM
numpy.random.seed(7)
tra
浏览 0提问于2017-08-28得票数 1
1回答
我有一个问题，输入作为一个序列的图像，输出作为一系列的标签，它们对应于图像中的每一个帧。输入格式说明如下：
目标：根据输入序列[img 0, img 1, img 2, img 3]列表预测标签列表[label 0, label 1, label 2, label 3]。培训模式的产出应是：
P([label 0, label 1, label 2, label 3]/[img 0, img 1, img 2, img 3])。
label 0依赖于img 0，也与img 1, img 2 and img 3相关。其他标签也依赖于输入序列中的所有图像。因此，这使得目标标签既依赖于单个
浏览 1提问于2018-05-17得票数 0
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
云直播
对象存储活动推荐
腾讯云开发者
