![](/img/trans.png)
[英]How do I implement CNN using Functional API model and resolve '_keras_shape' error in keras layers
[英]Keras: How to shape inputs for CNN and LSTM layers?
我正在构建一个模型来预测地理时空数据集。
我的数据具有原始维度(特征、纬度、经度、时间),即对于每个特征和每个纬度/经度点都有一个时间序列。
我已经像这样使用 Keras 创建了一个 CNN-LSTM 模型(我假设下面需要修改,这只是第一次尝试):
def define_model_cnn_lstm(features, lats, lons, times):
"""
Create and return a model with CN and LSTM layers. Input and output data is
expected to have shape (lats, lons, times).
:param lats: latitude dimension of input 3-D array
:param lons: longitude dimension of input 3-D array
:param times: time dimension of input 3-D array
:return: CNN-LSTM model appropriate to the expected input array
"""
# define the CNN model layers, wrapping each CNN layer in a TimeDistributed layer
model = Sequential()
model.add(TimeDistributed(Conv2D(features, (3, 3),
activation='relu',
padding='same',
input_shape=(lats, lons, times))))
model.add(TimeDistributed(MaxPooling2D(pool_size=(2, 2))))
model.add(TimeDistributed(Flatten()))
# add the LSTM layer, and a final Dense layer
model.add(LSTM(units=times, activation='relu', stateful=True))
model.add(Dense(1))
model.compile(optimizer='adam', loss='mse')
return model
我的假设是该模型将采用具有形状(特征、纬度、经度、时间)的数据,例如,如果我的地理空间网格为 180 x 360 并且每个点有 100 个时间步长,并且每个观察点有 4 个特征/样本,那么形状将是 (4, 180, 360, 100)。
我假设我希望模型将具有形状(特征、纬度、经度、时间)的数组作为输入,并能够预测具有形状(标签、纬度、经度、时间)的标签数组作为输出。 我首先使用单个变量作为我的标签,但稍后也能有多变量输出(即标签 > 1)可能会很有趣。
我应该如何最好地塑造我的输入数据,和/或如何以最适合此应用程序的方式构建模型层?
好吧,我认为最好将您的数据重塑为(time, lats, lons, features)
,即它是多通道(即特征)空间图的时间序列:
data = np.transpose(data, [3, 1, 2, 0])
然后,您可以轻松地将Conv2D
和MaxPooling2D
层包装在TimeDistributed
层中,以在每个时间步处理(多通道)贴图:
num_steps = 50
lats = 128
lons = 128
features = 4
out_feats = 3
model = Sequential()
model.add(TimeDistributed(Conv2D(16, (3, 3), activation='relu', padding='same'),
input_shape=(num_steps, lats, lons, features)))
model.add(TimeDistributed(MaxPooling2D(pool_size=(2, 2))))
model.add(TimeDistributed(Conv2D(32, (3, 3), activation='relu', padding='same')))
model.add(TimeDistributed(MaxPooling2D(pool_size=(2, 2))))
model.add(TimeDistributed(Conv2D(32, (3, 3), activation='relu', padding='same')))
model.add(TimeDistributed(MaxPooling2D(pool_size=(2, 2))))
到目前为止,我们将有一个形状为(50, 16, 16, 32)
的张量。 然后我们可以使用Flatten
层(当然,包裹在TimeDistributed
层中以免丢失时间轴)并将结果提供给一个或多个 LSTM 层(使用return_sequence=True
获取每个时间步的输出):
model.add(TimeDistributed(Flatten()))
# you may stack multiple LSTM layers on top of each other here
model.add(LSTM(units=64, return_sequences=True))
然后我们需要回去。 所以我们需要先对 LSTM 层的结果进行 reshape 使其成为 2D,然后使用UpSampling2D
和Conv2D
层的组合来UpSampling2D
原始地图的形状:
model.add(TimeDistributed(Reshape((8, 8, 1))))
model.add(TimeDistributed(UpSampling2D((2,2))))
model.add(TimeDistributed(Conv2D(32, (3,3), activation='relu', padding='same')))
model.add(TimeDistributed(UpSampling2D((2,2))))
model.add(TimeDistributed(Conv2D(32, (3,3), activation='relu', padding='same')))
model.add(TimeDistributed(UpSampling2D((2,2))))
model.add(TimeDistributed(Conv2D(16, (3,3), activation='relu', padding='same')))
model.add(TimeDistributed(UpSampling2D((2,2))))
model.add(TimeDistributed(Conv2D(out_feats, (3,3), padding='same')))
这是模型摘要:
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
time_distributed_132 (TimeDi (None, 50, 128, 128, 16) 592
_________________________________________________________________
time_distributed_133 (TimeDi (None, 50, 64, 64, 16) 0
_________________________________________________________________
time_distributed_134 (TimeDi (None, 50, 64, 64, 32) 4640
_________________________________________________________________
time_distributed_135 (TimeDi (None, 50, 32, 32, 32) 0
_________________________________________________________________
time_distributed_136 (TimeDi (None, 50, 32, 32, 32) 9248
_________________________________________________________________
time_distributed_137 (TimeDi (None, 50, 16, 16, 32) 0
_________________________________________________________________
time_distributed_138 (TimeDi (None, 50, 8192) 0
_________________________________________________________________
lstm_13 (LSTM) (None, 50, 64) 2113792
_________________________________________________________________
time_distributed_139 (TimeDi (None, 50, 8, 8, 1) 0
_________________________________________________________________
time_distributed_140 (TimeDi (None, 50, 16, 16, 1) 0
_________________________________________________________________
time_distributed_141 (TimeDi (None, 50, 16, 16, 32) 320
_________________________________________________________________
time_distributed_142 (TimeDi (None, 50, 32, 32, 32) 0
_________________________________________________________________
time_distributed_143 (TimeDi (None, 50, 32, 32, 32) 9248
_________________________________________________________________
time_distributed_144 (TimeDi (None, 50, 64, 64, 32) 0
_________________________________________________________________
time_distributed_145 (TimeDi (None, 50, 64, 64, 16) 4624
_________________________________________________________________
time_distributed_146 (TimeDi (None, 50, 128, 128, 16) 0
_________________________________________________________________
time_distributed_147 (TimeDi (None, 50, 128, 128, 3) 435
=================================================================
Total params: 2,142,899
Trainable params: 2,142,899
Non-trainable params: 0
_________________________________________________________________
如您所见,我们有一个形状为(50, 128, 128, 3)
的输出张量,其中 3 指的是我们想要在每个时间步预测位置的所需标签的数量。
补充说明:
As层和参数的数量增加(即,模型变深),则可能需要处理诸如消失梯度(问题1 , 2 )和过拟合( 1 , 2 , 3 )。 前者的一种解决方案是在每个(可训练的)层之后立即使用BatchNormalization
层,以确保馈送到下一层的数据是规范化的。 为了防止过度拟合,您可以使用Dropout
层(和/或在LSTM
层中设置dropout
和recurrent_dropout
参数)。
正如您在上面看到的,我假设我们正在为模型提供长度为 50 的时间序列。这与数据预处理步骤有关,您需要从整个(长)时间序列中创建窗口训练(和测试)样本并提供它们分批发送到您的模型进行训练。
正如我在代码中所评论的,您可以在彼此之上添加多个 LSTM 层以增加网络的表示能力。 但请注意,它可能会增加训练时间,并使您的模型(更多)容易过度拟合。 所以如果你有正当的理由(即你已经尝试过一个 LSTM 层并且没有得到好的结果),那就去做吧。 或者,您可以改用GRU
层,但与 LSTM 层相比,可能需要在表示能力和计算成本(即训练时间)之间进行权衡。
为了使网络的输出形状与数据的形状兼容,您可以在 LSTM 层之后使用Dense
层或调整最后一个 LSTM 层的单元数。
显然,上面的代码只是为了演示,你可能需要调整它的超参数(例如层数、过滤器数量、内核大小、使用的优化器、激活函数等)和实验(很多!)以实现最终工作模型非常准确。
如果您在 GPU 上训练,您可以使用CuDNNLSTM
( CuDNNGRU
) 层而不是LSTM
(GRU) 来提高训练速度,因为它已针对 GPU 进行了优化。
并且不要忘记对训练数据进行归一化(这非常重要并且对训练过程有很大帮助)。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.