Tensorflow - vorhersagende Sequenzen: Was ist X und Y?

Question

Ich habe einen Tensor, der das nächste Element in einer Sequenz mit einem Tensorflow LSTM/RNN vorhersagen muss, unter Berücksichtigung der vorherigen 5 Elemente. Was soll ich in X und Y einspeisen?

Aus 1 2 3 4 5 mag ich vorhersagen 6

meine Eingangssequenz X Angenommen ist:

X = 1 2 3 4 5 
    6 7 8 9 10 
    11 12 13 14 15 
    ... 

Würde meines Y sein:

Y = 2 3 4 5 6 
    7 8 9 10 11 
    12 13 14 15 16 
    ... ? 

Oder soll ich füttern es:

X = 1 2 3 4 5 
    2 3 4 5 6 
    3 4 5 6 7 
    .... 

W ould my Y sein:

Y = 6 
    7 
    8 
    ... ? 

Oder macht TensorFlow das automatisch?

ich den ersten Ansatz bin jetzt von einem Tutorial inspiriert, mit:

x = tf.placeholder(tf.int32, [None, num_steps], name='input_placeholder') 
    y = tf.placeholder(tf.int32, [None, num_steps], name='labels_placeholder') 

    rnn_outputs = tf.reshape(rnn_outputs, [-1, state_size]) 
    y_reshaped = tf.reshape(y, [-1]) 
    logits = tf.matmul(rnn_outputs, W) + b 
    predictions = tf.nn.softmax(logits) 
    total_loss = tf.reduce_mean(tf.nn.sparse_softmax_cross_entropy_with_logits(logits=logits, labels=y_reshaped)) 

Wenn ich für eine Vorhersage fragen (in dem eigentlichen Code der Zeitschritte sind 16 und die Anzahl der Klassen ist 14313, sorry dafür):

 prevSlice = np.array([[1, 2 , 3 , 4, 5, 6 ,7, 8, 9 ,10, 11, 12, 13, 14, 15, 16]], dtype=np.string_) 
     feed_dict={g['x']: prevSlice} 
     preds, state = sess.run([g['preds'],g['final_state']], feed_dict) 

Ich bekomme 15 Vorhersagen zu viele. Oder wie soll ich das interpretieren? Ich brauche keine Vorhersagen für die nächsten 16 Scheiben, nur für die nächste 1.

Answer 1

Da ein LSTM führt eine sequence to sequence Vorhersage, würde dies nicht bedeuten, dass Sie anstelle einer einzelnen Zeitschritt eine Folge von batch_size Länge wie die Ausgabe Ihres Prädiktor sind gegeben werden.

Kurz gesagt, Sie würden eine Sequenz von der gleichen Größe wie eine Vorhersage bekommen.

Edit:

def predict_point_by_point(model, data): 
    #Predict each timestep given the last sequence of true data, in effect only predicting 1 step ahead each time 
    predicted = model.predict(data) 
    predicted = np.reshape(predicted, (predicted.size,)) 
    return predicted 

Sie etwas in diese Richtung tun könnte, und fügen Sie zu einer Zeit, als gut ein sich bewegendes Fenster für jede len(timestep) , die Sie auf Ihr Modell füttern für diesen einen Zeitschritt Buchhaltung hinzugefügt, damit Sie Ausgang ein .