LSTM Keras 网络的恒定输出和预测语法

Question

我是神经网络的新手，有两个可能非常基本的问题。 我正在建立一个通用的 LSTM 网络来预测序列的未来，基于多个特征。 因此，我的训练数据具有以下形状（训练序列的数量、每个序列的长度、每个时间步的特征量）。 或者更具体一些，比如 (2000, 10, 3)。 我试图预测一个特征的价值，而不是所有三个特征的价值。

1. 问题：

如果我让我的网络更深和/或更宽，我得到的唯一输出是要预测的值的常数平均值。 以这个设置为例：

z0 = Input(shape=[None, len(dataset[0])])

z = LSTM(32, return_sequences=True, activation='softsign', recurrent_activation='softsign')(z0)
z = LSTM(32, return_sequences=True, activation='softsign', recurrent_activation='softsign')(z)
z = LSTM(64, return_sequences=True, activation='softsign', recurrent_activation='softsign')(z)
z = LSTM(64, return_sequences=True, activation='softsign', recurrent_activation='softsign')(z)
z = LSTM(128, activation='softsign', recurrent_activation='softsign')(z)

z = Dense(1)(z)
model = Model(inputs=z0, outputs=z)
print(model.summary())

model.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])

history= model.fit(trainX, trainY,validation_split=0.1, epochs=200, batch_size=32, 
    callbacks=[ReduceLROnPlateau(factor=0.67, patience=3, verbose=1, min_lr=1E-5),
            EarlyStopping(patience=50, verbose=1)])

如果我只使用一层，例如：

z0 = Input(shape=[None, len(dataset[0])])

z = LSTM(4, activation='soft sign', recurrent_activation='softsign')(z0)

z = Dense(1)(z)
model = Model(inputs=z0, outputs=z)
print(model.summary())

model.compile(loss='mean_squared_error', optimizer='adam', metrics=['accuracy'])
history= model.fit(trainX, trainY,validation_split=0.1, epochs=200, batch_size=32,
        callbacks=[ReduceLROnPlateau(factor=0.67, patience=3, verbose=1, min_lr=1E-5),
        EarlyStopping(patience=200, verbose=1)])

这些预测有些合理，至少它们不再是恒定的。

为什么会这样？ 大约 2000 个样本并不多，但在过度拟合的情况下，我希望预测能够完美匹配......

2. 编辑：解决了，如评论中所述，只是 Keras 总是期望批处理：Keras

当我使用：

`test=model.predict(trainX[0])`

为了得到第一个序列的预测，我得到一个维度错误：

“检查时出错：预期 input_1 有 3 个维度，但得到形状为 (3, 3) 的数组”

我需要输入一系列序列，例如：

`test=model.predict(trainX[0:1])`

这是一种解决方法，但我不确定这是否有更深层次的含义，或者只是一个语法问题......

Answer 1

这是因为您尚未标准化输入数据。

任何神经网络模型最初都会将权重归一化到零附近。 由于您的训练数据集具有所有正值，因此模型将尝试调整其权重以仅预测正值。 但是，激活函数（在您的情况下为 softsign）会将其映射到 1。因此该模型除了添加偏差之外什么也做不了。 这就是为什么你在数据集的平均值周围得到一条几乎恒定的线。

为此，您可以使用像sklearn这样的通用工具来预处理您的数据。 如果您使用的是熊猫数据框，这样的事情会有所帮助

data_df = (data_df - data_df.mean()) / data_df.std()

或者要在模型中有参数，您可以考虑在模型中添加批量归一化层