Keras LSTM用于连续输入和连续输出

Question

例如，我有二进制数据，可以说：0、0、0、1、1、0、1、1。这可能会无限期地继续。 对于每个输入，都有相应的输出。 假设我们使用XOR操作。 因此，输出可能如下所示：0、0、0、1、0、1、1、0。

如何塑造Keras输入形状？ 如何设置时间步长？ 如果我声明时间步长1是每1个时间步长被认为是不同的情况，还是仍可以考虑先前的输入作为顺序或学习的内存？

Keras的隐藏层使用LSTM或GRU。

我已经尝试了2种方法来解决此问题，但似乎都没有成功。 两种方法都停留在37.5 acc。 实际上，它一直在猜测1。

方法1：

data = [[[0], [0], [0], [1], [1], [0], [1], [1]]]
output = [[[0], [0], [0], [1], [0], [1], [1], [0]]]

model = Sequential()
model.add(GRU(10, input_shape=(8, 1), return_sequences=True))
model.add(GRU(10, return_sequences=True))
model.add(Dense(1, activation='softmax'))

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['acc'])
model.fit(np.asarray(data), np.asarray(output), epochs=3000)

方法2：

data = [[[0]], [[0]], [[0]], [[1]], [[1]], [[0]], [[1]], [[1]]]
output = [[0], [0], [0], [1], [0], [1], [1], [0]]

model = Sequential()
model.add(GRU(10, input_shape=(1, 1), return_sequences=True))
model.add(GRU(10))
model.add(Dense(1, activation='softmax'))

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['acc'])
model.fit(np.asarray(data), np.asarray(output), epochs=300)

Answer 1

实际上，它一直在猜测1。

那是因为您使用softmax作为最后一层的激活。 由于最后一层只有一个单位，并且softmax函数将其输入归一化，以使元素之和等于1，因此它将始终输出1。相反，您需要使用sigmoid作为最后一层的激活函数，以使输出之间零和一。

Answer 2

将activation='softmax'更改为activation='sigmoid'