PROSAGA码农传奇-深度学习-了解Keras LSTM

我试图调和我对LSTM的理解，并在克里斯托弗·奥拉（Christopher Olah）在Keras中实现的这篇文章中指出了这一点。我正在关注Jason Brownlee为Keras教程撰写的博客。我最困惑的是将数据系列重塑为[samples, time steps, features]和 有状态的LSTM 让我们参考下面粘贴的代码专注于以上两个问题：<h1><a href="#reshape-into-x-t-and-y-t-1" name="reshape-into-x-t-and-y-t-1">reshape into X=t and Y=t+1</a></h1>look_back = 3 trainX, trainY = create_dataset(train, look_back) testX, testY = create_dataset(test, look_back)<h1>reshape input to be [samples, time steps, features]</h1>trainX = numpy.reshape(trainX, (trainX.shape[0], look_back, 1)) testX = numpy.reshape(testX, (testX.shape[0], look_back, 1))########################<h1><a href="#the-important-bit" name="the-important-bit">The IMPORTANT BIT</a></h1>##########################<h1><a href="#create-and-fit-the-lstm-network" name="create-and-fit-the-lstm-network">create and fit the LSTM network</a></h1>batch_size = 1 model = Sequential() model.add(LSTM(4, batch_input_shape=(batch_size, look_back, 1), stateful=True)) model.add(Dense(1)) model.compile(loss=‘mean_squared_error’, optimizer=‘adam’) for i in range(100): model.fit(trainX, trainY, nb_epoch=1, batch_size=batch_size, verbose=2, shuffle=False) model.reset_states() 注意：create_dataset接受一个长度为N的序列，并返回一个N-look_back数组，每个元素都是一个look_back长度序列。什么是时间步骤和功能？ 可以看出TrainX是一个3-D数组，其中Time_steps和Feature是最后两个维度（在此特定代码中为3和1）。对于下图，这是否意味着我们正在考虑many to one粉红色盒数为3的情况？还是字面上的意思是链长为3（即仅考虑了3个绿色框）。在此处输入图片说明当我们考虑多元序列时，features参数是否有意义？例如同时模拟两个金融股票？有状态的LSTM 有状态的LSTM是否意味着我们在批次运行之间保存单元内存值？如果是这种情况，batch_size则为1，并且在两次训练之间将内存重置，那么说这是有状态的是什么意思。我猜想这与训练数据没有被改组这一事实有关，但是我不确定如何。有什么想法吗？图片参考：http : //karpathy.github.io/2015/05/21/rnn-efficiency/编辑1： @van对红色和绿色方框相等的评论有点困惑。因此，为了确认一下，以下API调用是否与展开的图相对应？特别注意第二张图（batch_size被任意选择）： 在此处输入图片说明 在此处输入图片说明编辑2： 对于已经完成Udacity深度学习课程但仍对time_step参数感到困惑的人，请查看以下讨论：https ://discussions.udacity.com/t/rnn-lstm-use-implementation/163169更新： 原来model.add(TimeDistributed(Dense(vocab_len)))是我要找的东西。这是一个示例：https : //github.com/sachinruk/ShakespeareBot更新2： 我在这里总结了我对LSTM的大部分理解：https : //www.youtube.com/watch?v= ywinX5wgdEU