Keras LSTM参数说明
Keras是一个开源的深度学习库，提供了快速搭建和训练神经网络的工具。其中，LSTM（Long Short-Term Memory）是一种特殊的循环神经网络，常用于处理和分析序列数据。
LSTM参数说明：
- units：LSTM单元中的神经元数量。通常需要根据问题的复杂度和数据集的大小进行调整。更多神经元可以提高模型的容量，但也会增加计算开销。推荐腾讯云产品：AI市场中的“AI机器学习平台”（https://cloud.tencent.com/product/ai）。
- activation：激活函数，用于控制每个LSTM单元输出的值。常用的激活函数包括sigmoid、tanh和ReLU等。不同的激活函数可以影响模型的非线性能力和学习能力。推荐腾讯云产品：AI市场中的“AI机器学习平台”（https://cloud.tencent.com/product/ai）。
- recurrent_activation：用于控制每个LSTM单元的循环连接的激活函数。通常选择sigmoid函数，可以使循环连接具有记忆能力。
- use_bias：是否使用偏置项。偏置项可以增加模型的表达能力。
- kernel_initializer：权重矩阵的初始化方法。可以选择不同的初始化方法，如均匀分布、正态分布等。选择合适的初始化方法有助于模型的收敛和泛化能力。
- recurrent_initializer：循环连接权重矩阵的初始化方法。同样，选择合适的初始化方法对模型的性能有影响。
- bias_initializer：偏置项的初始化方法。
- unit_forget_bias：是否为遗忘门添加偏置项。遗忘门的作用是控制是否忽略之前的记忆。
- kernel_regularizer：权重矩阵的正则化方法。可以使用L1或L2正则化等方法来减小模型的过拟合风险。
- recurrent_regularizer：循环连接权重矩阵的正则化方法。
- bias_regularizer：偏置项的正则化方法。
- activity_regularizer：输出的正则化方法。
- dropout：用于控制每个时间步的输入和循环连接的dropout比率。dropout可以减少模型的过拟合风险。
- recurrent_dropout：用于控制每个时间步的循环连接的dropout比率。
LSTM是一种在序列数据处理中常用的神经网络模型，特点是可以对长序列数据进行有效建模，具有较好的记忆能力和泛化能力。在自然语言处理、语音识别、时间序列预测等领域具有广泛应用。在使用Keras构建深度学习模型时，可以通过调整LSTM的参数来优化模型性能。
更多关于Keras LSTM的详细信息和示例，请参考腾讯云AI市场中的“AI机器学习平台”产品介绍链接地址：https://cloud.tencent.com/product/ai
相关·内容
2回答
我正在训练一个单层LSTM，它的编码如下：
model = keras.Sequential()
model.add(keras.layers.LSTM(units=64,
input_shape=(X_train.shape[1], X_train.shape[2])))
model.add(keras.layers.Dense(units=1, activation='sigmoid'))
model.compile(
loss='binary_crossentropy',
optimi
浏览 1提问于2019-12-18得票数 2
我在tensorflow中注意到，control_dependencies是一件重要的事情，我们需要处理它。
尽管如此，当我用tensorflow keras实现一个模型时，我注意到如果不添加control_dependencies，它似乎仍然是可以的。
例如，假设我有一个4层LSTM模型，如下所示：
import numpy as np
sequence_input = tf.keras.layers.Input(dtype='int32', shape=(3,))
embedding_output = tf.keras.layers.Embedding(input_dim
浏览 6提问于2020-01-02得票数 0
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
5回答
如何计算LSTM网络的参数数？
、、、、
是否有方法计算LSTM网络中的参数总数。
我找到了一个例子，但我不确定有多正确，或者我是否正确地理解了它。
例如，考虑以下例子：
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.add(LSTM(256, input_dim=4096, input_length=16))
model.s
浏览 13提问于2016-06-28得票数 25
回答已采纳
1回答
我在尝试创建一个LSTM模型。在将数据传递到第一个LSTM层之前，我想添加一个Masking层。我可以在Keras中使用顺序方法来完成这个任务。见。然而，当我尝试以不同的方式对它进行编码时，我会得到一个值错误(参见下面)。知道怎么解决这个问题吗？
import keras
def network_structure(window_len, n_features, lstm_neurons):
masking = keras.layers.Masking(
mask_value=0.0, input_shape=(window_len, n_features)
浏览 4提问于2018-12-13得票数 4
回答已采纳
与顺序API
如果我用Keras的顺序API创建一个LSTM，下面的代码如下所示：
from keras.models import Sequential
from keras.layers import LSTM
model = Sequential()
model.add(LSTM(2, input_dim=3))
然后
model.summary()
返回48参数，如中所示，该参数没有问题。
快速详细信息：
input_dim = 3, output_dim = 2
n_params = 4 * output_dim * (output_dim + input_dim + 1
浏览 2提问于2018-10-11得票数 2
回答已采纳
我想在另一个模型中使用一个分类模型作为层，因为我认为keras模型也可以用作层。这是第一个模型的代码：
cencoder_inputs = keras.layers.Input(shape=[pad_len], dtype=np.int32)
ccondi_input = keras.layers.Input(shape=[1], dtype=np.int32)
ccondi_layer = tf.keras.layers.concatenate([cencoder_inputs, ccondi_input], axis=1)
cembeddings = keras.layers.Embedd
浏览 3提问于2020-08-06得票数 2
1回答
最近我学习了ResNet的跳转连接，我发现这种网络结构在训练过程中会有很大的改进，它也适用于卷积网络，如U-net。但是，我不知道如何用LSTM自动编码网络实现类似的结构。看来我被一些维度问题困住了..。我正在使用keras的方法来实现，但是我不断地得到错误。下面是网络代码：
# lstm autoencoder recreate sequence
from numpy import array
from keras.models import Sequential
from keras.layers import LSTM
from keras.layers import Dense
fro
浏览 14提问于2020-03-20得票数 3
回答已采纳
我正在尝试在tensorflow中实现一个自定义模型，扩展tf.keras.Model类。
我需要一种方法来添加n层的LSTM层到模型中。
例如，假设以下实现
class CustomizedLSTM(tf.keras.Model):
def __init__(self, num_hidden_layers, vocab_size):
super(CustomizedLSTM, self).__init__()
self.embedding = tf.keras.layers.Embedding(vocab_size,300)
self.
浏览 0提问于2021-08-23得票数 0
回答已采纳
1回答
几个小时以来，我一直试图在Keras中实现LSTM (使用具有嵌入层、两个LSTM层和一个密集层的顺序模型)，但最终得到了不同的错误消息。
据我所知，问题是嵌入层的输出是二维的，而不是三维的，因为我在添加第二个LSTM层时得到了这个值错误(ValueError: Input 0 is incompatible with layer lstm_2: expected ndim=3, found ndim=2)，当我删除添加第二个LSTM层的行时，得到了误差assert len(input_shape) >= 3 AssertionError (这意味着稠密层有相同的问题)。
这些错误发生在
浏览 0提问于2018-06-16得票数 0
回答已采纳
1回答
我在我的神经网络中有下面的几个层次，它正在处理一个预测问题。
tf.keras.layers.Bidirectional(tf.keras.layers.LSTM(2),input_shape=x_train_final.shape[-2:]),
tf.keras.layers.Dropout(0.25),
tf.keras.layers.Dense(units=horizon)
有没有办法把它们组合成一个单一的层？当我看我的火车和验证损失的时间，它似乎有过火。所以我想简化我的网络。
如下所示：
tf.keras.layers.Bidirectional(tf.keras.layers.LST
浏览 5提问于2022-07-19得票数 0
回答已采纳
因此，我用以下代码构建了神经网络：
import tensorflow as tf
tf_model = tf.keras.Sequential()
tf_model.add(tf.keras.layers.LSTM(50, activation='relu'))
tf_model.add(tf.keras.layers.Dense(20, activation='relu'))
tf_model.add(tf.keras.layers.Dense(10, activation='relu'))
tf_model.add(tf.keras.la
浏览 2提问于2020-05-02得票数 2
回答已采纳
1回答
我在输入中有多个时间序列，我想正确地构建一个LSTM模型。
我真的对如何选择参数感到困惑。我的代码：
model.add(keras.layers.LSTM(hidden_nodes, input_shape=(window, num_features), consume_less="mem"))
model.add(Dropout(0.2))
model.add(keras.layers.Dense(num_features, activation='sigmoid'))
optimizer = keras.optimizers.SGD(lr=learnin
浏览 3提问于2017-07-24得票数 10
回答已采纳
1回答
我正在尝试构建一个LSTM模型，在中处理文档示例。
from keras.models import Sequential
from keras.layers import LSTM
以下三行代码(加上注释)直接取自上面的文档链接：
model = Sequential()
model.add(LSTM(32, input_dim=64, input_length=10))
# for subsequent layers, not need to specify the input size:
model.add(LSTM(16))
ValueError:输入0与lstm_2层不兼容:预期
浏览 2提问于2017-02-19得票数 4
回答已采纳
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
1回答
Keras:堆叠多个LSTM图层
、、、、
我有以下工作正常的网络：
output = LSTM(8)(output)
output = Dense(2)(output)
现在，对于相同的模型，我尝试堆叠一些LSTM层，如下所示：
output = LSTM(8)(output, return_sequences=True)
output = LSTM(8)(output)
output = Dense(2)(output)
但我得到了以下错误：
TypeError Traceback (most recent call last)
<ipython-input-2-
浏览 10提问于2018-01-30得票数 2
回答已采纳
Google复制错误
我需要一个自定义损失函数，其中的值是根据模型输入计算的，这些输入不是默认值(y_true, y_pred)。预测方法适用于生成的体系结构，但当我尝试使用train_on_batch时，会出现以下错误。
ValueError:一个操作具有渐变的None。请确保您的所有操作都定义了一个梯度(即可微性)。无梯度的普通操作: K.argmax，K.round，K.eval。
我的自定义丢失函数(以下)基于这个示例，在Colab链接中有另一个基于此解决方案的示例，它也会生成相同的错误：
from keras import backend as K
from keras im
浏览 0提问于2018-05-20得票数 3
回答已采纳
我一直在尝试计算Keras中LSTM单元的参数数量。我创建了两个模型，一个使用LSTM，另一个使用CuDNNLSTM。
模型的部分摘要如下
CuDNNLSTM模型：
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
embed
浏览 15提问于2020-02-22得票数 1
我已经尝试将我的Keras模型保存在pycharm中，在那里我得到了错误，这就是我如何创建模型的方法：
main_input = Input(shape=(X_train.shape[1],), dtype=X_train.dtype,
name='main_input')
xx = Embedding(output_dim=512, input_dim=3000, input_length=len(X))
(main_input)
xx= SpatialDropout1D(0.4)(xx)
lstm_out = LSTM(64)(xx)
#lstm_out = Den
浏览 0提问于2019-01-04得票数 0
我用keras来预测LSTM的时间序列，我意识到我们可以用没有我们训练的时间步长相同的数据来预测。例如：
import numpy as np
import keras.optimizers
from keras.models import Sequential
from keras.layers import Dense,Activation,Dropout,TimeDistributed
from keras.layers import LSTM
Xtrain = np.random.rand(10,3,2) #Here timestep is 3
Ytrain = np.random
浏览 5提问于2017-04-11得票数 0
1回答
根据的数学公式，如下所示，
应该只存在隐藏状态h_t和单元格状态c_t。然而，当我试图在Keras上编写RNN代码时，有三种：lstm_output、state_h和state_c。
我现在想知道lstm_output的数学公式是什么？这是我的代码：
from keras.layers import Input, LSTM
lstm_input = Input(shape=(28, 10))
lstm_output, state_h, state_c = LSTM(units=32,
return_sequen
浏览 0提问于2019-06-28得票数 3
回答已采纳
1回答
如何了解此机型的VRAM使用率？(不是关于正在训练的数据，而是将模型及其权重加载到VRAM中 from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense,Dropout,LSTM,BatchNormalization
import tensorflow as tf
model = Sequential()
model.add(LSTM(700, input_shape=(10000,5000,20), return_sequences=True))
model.add(D
浏览 13提问于2020-09-04得票数 0
1回答
我试图在Keras中实现一个多层，使用for循环和教程来优化层数，这显然是一个超参数。在本教程中，作者将skopt用于hyper-parameter optimization。我使用Functional创建模型。为了简单起见，我将input_tensor的形状更改为任意值。
from keras.layers.core import Dense
from keras.layers import LSTM, Input
from keras.models import Model
from keras.optimizers import RMSprop
from keras.initializ
浏览 1提问于2018-08-12得票数 1
回答已采纳
1回答
我正在尝试使用tensorflow keras.Sequential库使用预先训练好的嵌入来适应文本生成的LSTM模型。我遇到以下评估错误： tensorflow.python.framework.errors_impl.InvalidArgumentError: assertion failed: [Condition x == y did not hold element-wise:] [x (sparse_categorical_crossentropy/SparseSoftmaxCrossEntropyWithLogits/Shape_1:0) = ] [5 199] [y (sp
浏览 22提问于2020-12-28得票数 0
我有tensorflow 1.0版本的代码，无法使用下面的语法转换tensorflow 2.0。你能帮帮我吗？
a)
lstm_cell =tf.keras.layers.LSTM(units=hidden_unit)
#lstm_cell = tf.compat.v1.nn.rnn_cell.DropoutWrapper(lstm_cell, output_keep_prob=self.dropout_keep_prob)
Q -1)如何在Tf2.0上为lstm_cell使用drop out？
b)
self._initial_state = lstm_cell.zero_state(sel
浏览 2提问于2019-12-04得票数 1
当我试图使用keras构建一个lstm模型时。我在互联网上看到很多模型，它们的参数设置与代码类似，如下所示：
from keras.models import Sequential
from keras.layers.recurrent import LSTM
model = Sequential()
model.add(LSTM(output_dim=32,
input_shape=(2, 3),
activation='relu',
return_sequences=True))
浏览 0提问于2021-05-10得票数 2
1回答
Keras LSTM多类分类结构
、、、、
我是机器学习的初学者，一直在尝试使用LSTM根据12个特征分为4个类别。我已经学习了相当多的教程，但我仍然有点困惑。我的数据集有12列，我希望将其用于训练，其中包括标签列，该列具有与每个类对应的值。
0=1类
1=2类
2=3类
3=4类
这是我的代码：
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.preprocessing import MinMaxScaler
import time
# For LSTM model
from keras.models import
浏览 0提问于2021-01-31得票数 0
我正在尝试用TensorFlow中的Keras functional API创建一个递归神经网络。RNN接收tweet并将其分类为正面或负面。 attention_input = keras.Input(shape=(512,), name='attention')
a = keras.layers.Dense(1, activation='sigmoid')(attention_input)
attention_output = keras.layers.Multiply()([attention_input, a])
attention = keras.M
浏览 100提问于2019-04-13得票数 1
我是AWS的初学者，我试图在sagemaker中部署时间序列自定义lstm模型，请帮助我，以及如何运行脚本模式。这是我的脚本文件timer_series.py代码。
import sagemaker
import boto3
import os
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import tensorflow
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dens
浏览 3提问于2020-04-16得票数 0
我用Keras训练了两个神经网络:一个MLP和一个Bidirectional LSTM。
我的任务是预测句子中的单词顺序，因此对于每个单词，神经网络必须输出一个实数。当处理一个包含N个单词的句子时，对输出中的N个实数进行排序，以获得代表单词位置的整数。
我在数据集上使用相同的数据集和相同的预处理。唯一不同的是，在LSTM数据集中，我添加了填充以获得相同长度的序列。
在预测阶段，使用LSTM，我排除了从填充向量创建的预测，因为我在训练阶段屏蔽了它们。
MLP架构：
mlp = keras.models.Sequential()
# add input layer
mlp.add(
ke
浏览 4提问于2020-04-19得票数 1
3回答
我正在尝试理解注意力模型，并且自己也建立了一个模型。经过多次搜索，我发现了，它有一个用keras编写的atteniton模型，而且看起来也很简单。但是当我试图在我的机器上构建相同的模型时，它给出了多参数错误。错误是由于在类Attention中传递的参数不匹配造成的。在网站的attention类中，它请求一个参数，但它使用两个参数初始化attention对象。
import tensorflow as tf
max_len = 200
rnn_cell_size = 128
vocab_size=250
class Attention(tf.keras.Model):
def __i
浏览 46提问于2019-07-09得票数 14
回答已采纳
1回答
我正在尝试构建一个LSTM编码器解码器，其中我的主要目标是解码器的初始状态与编码器相同。我从找到了下面的代码，并试图将其附加到我的案例中。我有一个形状为(1000,20,1)的数据。我想让编码器在输出中把我的输入返回给我。我不知道如何纠正代码，它是工作的，即使我知道错误。当我尝试运行此命令时，我得到以下错误：
The model expects 2 input arrays, but only received one array. Found:
array with shape (10000, 20, 1)
from keras.models import Model
from k
浏览 0提问于2018-05-21得票数 1
1回答
Keras:训练时的值错误
、、、、
我的深造建筑是这样的：
main_input_1 = Input(shape=(50,1), dtype='float32', name='main_input_1')
main_input_2 = Input(shape=(50,1), dtype='float32', name='main_input_2')
lstm_out=LSTM(32,activation='tanh',recurrent_activation='sigmoid',return_sequences=True)
mean_
浏览 0提问于2018-07-03得票数 0
回答已采纳
我有一个旧的TF1.1x检查点，包括一个LSTM层，我还为旧网络的每一层激活了先前运行的层。我正在尝试使用Python在TF2.2和Keras中重新创建这个网络。旧网络中使用的层是“tf.contri.rnn.LSTMBlockFusedCell”。
我将来自检查点的LSTM-kernel权重拆分成相应的“kernel”和“Recurrent_kernel”，并将它们分别加载到TF2.2中的LSTM层(以及“Bias”)。
但是，当我使用旧的激活运行model.prediction时，与旧的模型激活相比，我从新的LSTM层获得了完全不同的输出。
我只加载了上面的内容，即:内核、Recurren
浏览 1提问于2021-04-04得票数 0
1回答
在CNN回归模型中，我以前使用MXNet来击败keras+tensorflow的准确性。现在我正在尝试实现LSTM，它在keras中运行得很好：
from keras.layers import LSTM,Flatten,Input
from keras import Model
import numpy as np
def make_keras_stacked_lstm():
inp = Input(shape=(100,1))
lstm1 = LSTM(16, return_sequences=True)(inp)
lstm2 = LSTM(1, return_s
浏览 0提问于2020-02-13得票数 1
回答已采纳
1回答
当使用下面的函数模式创建LSTM层时，会引发错误
ValueError: Input 0 is incompatible with layer lstm_1: expected ndim=3, found ndim=2
代码以复制问题
import keras
from keras.layers import Input, LSTM, Dense
from keras.models import Model
import numpy as np
def build_lstm(lstm_input, hidden_dim=256):
out = LSTM(hidden_dim, i
浏览 2提问于2019-05-03得票数 0
Keras: 2.1.6，python 3.6，tensorflow 1.8.0
我正在尝试训练一个序列模型，它有两个LSTM层和3个密集层。我事先做了一些数据准备，并将数据设置为LSTM层要求的格式，即(n_samples, n_timesteps, n_features)。我的数据有14个特性，实际上是5000步的长序列，因此我将其分解为500个样本，每个步骤10个时间步骤。完成后，我从下面的模型开始，但很快就遇到了最后一层输入形状的错误。我尝试使用Sequential和Functional都会产生相同的错误。
import keras
from keras import callbac
浏览 3提问于2018-11-14得票数 1
回答已采纳
我知道这个问题提出了很多次，但我没有得到明确的答案，因为有不同的答案:在tf.keras.layers.LSTM tf.keras.layers.GRU层中有一个名为num_units的参数。我在网上看到了很多关于这个参数的问题。对于输出的形状这一显而易见的含义，这个参数的含义并没有明确的答案。有人说，这意味着在每一层中都有LSTM或GRU单元num_units，也有人说它只是LSTM或GRU的一个单元，但具有num_units隐藏单元( tanh的num_units，每个门的sigmoids等等)。在LSTM或GRU层内部。
浏览 49提问于2020-11-01得票数 0
回答已采纳
我希望使用Keras将两个顺序模型和模式合并为一个模型：
left = Sequential()
left.add(LSTM(64,activation='sigmoid',stateful=True,batch_input_shape=(10,look_back,dim)))
right = Sequential()
right.add(LSTM(64,activation='sigmoid',stateful=True,batch_input_shape=(10,look_back,dim)))
model = Sequential()
model.add(
浏览 0提问于2019-03-29得票数 0
我使用tensorflow作为keras的后端。在LSTM的一个教程中，它说
regressor.add(LSTM(units = 50, return_sequence = True, input_shape = Xtrain))
看看新的LSTM语法，它说
keras.layers.LSTM(units, activation='tanh', recurrent_activation='hard_sigmoid',
use_bias=True, kernel_initializer='glorot_uniform
浏览 3提问于2017-12-13得票数 1
2回答
我正试着用从DataFrame获取的数据来训练LSTM网络。
代码如下：
x_lstm=x.to_numpy().reshape(1,x.shape[0],x.shape[1])
model = keras.models.Sequential([
keras.layers.LSTM(x.shape[1], return_sequences=True, input_shape=(x_lstm.shape[1],x_lstm.shape[2])),
keras.layers.LSTM(NORMAL_LAYER_SIZE, return_sequences=True),
k
浏览 2提问于2020-06-08得票数 8
回答已采纳
1回答
连接Keras中的掩码输入
、、、、
使用Keras API，我尝试构建一个神经网络模型，如下所示。我有两个输入，每个输入都是分类时间序列，它们已经转换为一次hots。在一个批次中，时间序列通常具有不同的长度，因此我用零填充它们，使其达到相同的长度。我想首先对每个输入应用一个掩蔽层，以便忽略填充，然后对每个输入应用TimeDistributed密集层，最后在将结果传递到LSTM之前连接密集层的输出。(这并不重要，在LSTM之后会应用最终的线性致密层。)如下所示：
from tensorflow.keras.layers import Input,Dense,Concatenate
from tensorflow.keras.lay
浏览 0提问于2021-07-07得票数 0
我最近保存了一些我在另一台机器上训练过的模型，并且没有像我在另一个模型中所看到的那样保存它，并且使用了h5扩展。我还不知道如何装重物。我可以加载模型，但没有重量意味着什么都没有。请帮助:-)
from keras.models import load_model
from keras.models import model_from_json
model_LSTM_rendimiento = keras.models
model_LSTM_super = keras.models
model_LSTM_primero = keras.models
model_LSTM_rendimie
浏览 0提问于2022-09-22得票数 1
回答已采纳
在Tensorflow教程中，我正在实验LSTM时间序列
在使用LSTM的“多步预测”一节中，教程说
由于这里的任务比以前的任务要复杂一些，所以模型现在由两个LSTM层组成。最后，由于72个预测，致密层输出72个预测。
之前的任务是单点预测。
我们如何知道一个问题需要多少层(在这里，2层)？
然后，从实现的角度，使用Python库，
multi_step_model = tf.keras.models.Sequential()
multi_step_model.add(tf.keras.layers.LSTM(32,
浏览 0提问于2019-12-25得票数 2
回答已采纳
1回答
验证精度波动不定。
、、、、
数据由时间序列传感器数据和不平衡数据集组成.该数据集包含12类数据，需要预测人类的身体活动。
架构：
注意事项：LSTM输出直接输入到输出
con_l1 = tf.keras.layers.Conv2D(64, (5, 1), activation="relu")(
input_layer)
con_l2 = tf.keras.layers.Conv2D(64, (5, 1), activation="relu")(con_l1)
con_l3 = tf.keras.layers.Conv2D(64, (5, 1), activa
浏览 2提问于2021-11-02得票数 1
1回答
我有几个DistributionLambda层作为一个模型的输出，我想将一个类似连接的操作连接到一个新的层中，以便只有一个输出是所有分布的混合，假设它们是独立的。然后，我可以对模型的输出应用对数似然损失。否则，我不能在Concatenate层上应用损失，因为它丢失了log_prob方法。我一直在尝试使用Blockwise发行版，但到目前为止还没有成功。
下面是一个示例代码：
from tensorflow.keras import layers
from tensorflow.keras import models
from tensorflow.keras import optimizers
浏览 0提问于2020-11-23得票数 0
我已经完成了一个简单的多对一的LSTM模式如下。
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.layers import LSTM
from tensorflow.keras.layers import Dropout
model=Sequential()
model.add(LSTM(2**LSTM_units,input_length=data.shape[1],input_dim=data.shape[2],re
浏览 0提问于2020-06-22得票数 11
1回答
我在此基础上训练了一个w2v模型和一个keras模型：
pretrained_weights = w2v_model.wv.syn0
vocab_size, emdedding_size = pretrained_weights.shape
keras_lstm_model = Sequential()
keras_lstm_model.add(Embedding(input_dim = vocab_size, output_dim = emdedding_size, weights = [pretrained_weights]))
keras_lstm_model.add(LSTM(uni
浏览 0提问于2018-09-17得票数 1
目前正在使用tf2.0处理回归问题。为了准备数据集，我使用了以下代码：
train = tf.data.Dataset.from_tensor_slices(([train_X], [train_y])).batch(BATCH_SIZE).repeat()
val = tf.data.Dataset.from_tensor_slices(([val_X], [val_y])).batch(BATCH_SIZE).repeat()
如果我们看看它们的形状：
<RepeatDataset shapes: ((None, 42315, 20), (None, 42315)), types:
浏览 2提问于2020-06-09得票数 7
回答已采纳
2回答
我想在LSTM自动编码器上添加一个多层。倍增层应将常量值的张量相乘。我写了下面的代码，这些代码不需要多重层。有谁知道如何调整并使其正常工作吗？
import keras
from keras import backend as K
from keras.models import Sequential, Model
from keras.layers import Input, LSTM, RepeatVector, TimeDistributed
from keras.layers.core import Flatten, Dense, Dropout, Lambda
from keras.
浏览 0提问于2018-11-03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
