Wie man ein LSTM Classifier Modell in Keras

Question

Ich bin neu zu Keras und RNN Ich brauche ein Classifier-Modell mit LSTM RNN in Keras für ein Dataset, die einen Zug Satz von Form (1795575, 6) und Etiketten-Array enthalten Form (1795575, 1). Die Etiketten sind 11 Klasse (von 0 bis 10) Der Testsatz von Form (575643, 6) und Labels Array von Form (575643, 1.Again, die Etiketten ist 11 (von 0 bis 10)

Wie kann ich die folgende Keras Modell formen meine Dataset.What Werte zu erfüllen, sollte ich für?

from keras.models import Sequential 
from keras.layers import LSTM, Dense 
from keras.optimizers import SGD 
import numpy as np 
data_dim = ? 
timesteps = ? 
num_classes = ? 
batch_size = ? 
sgd = SGD(lr=0.1, decay=1e-6, momentum=0.9, nesterov=True) 
model = Sequential() 
model.add(LSTM(32, return_sequences=True, stateful=True,batch_input_shape= 
(batch_size, timesteps, data_dim))) 
model.add(LSTM(32, return_sequences=True, stateful=True)) 
model.add(LSTM(32, stateful=True)) 
model.add(Dense(?, activation='softmax')) 
model.compile(loss='sparse_categorical_crossentropy',optimizer='sgd', 
metrics=['accuracy']) 
model.fit(train_X_arr, train_y_arr,batch_size=batch_size, epochs=epochs, 
shuffle=False,validation_data=(test_X_arr, test_y_arr)) 

habe ich schätze Ihre Hilfe und Dank in ein dvance

Answer 1

Was würden Sie tun, ist dies:

from keras.models import Sequential 
from keras.layers import LSTM, Dense 
from keras.optimizers import SGD 
import numpy as np 
data_dim = 1 # EACH TIMESTAMP IS SCALAR SO SHAPE=1 
timesteps = 6 # EACH EXAMPLE CONTAINS 6 TIMESTAMPS 
num_classes = 1 # EACH LABEL IS ONE NUMBER SO SHAPE=1 
batch_size = 1 # TAKE SIZE THAT CAN DIVIDE THE NUMBER OF EXAMPLES IN THE TRAIN DATA. THE HIGHER THE BATCH SIZE THE BETTER! 
sgd = SGD(lr=0.1, decay=1e-6, momentum=0.9, nesterov=True) 
model = Sequential() 
model.add(LSTM(32, return_sequences=True, stateful=True,batch_input_shape= 
(batch_size, timesteps, data_dim))) 
model.add(LSTM(32, return_sequences=True, stateful=True)) 
model.add(LSTM(32, stateful=True)) 
model.add(Dense(1, activation='softmax')) # AT THE END YOU WANT ONE VALUE (LIKE THE LABELS) -> SO DENSE SHOULD OUTPUT 1 NODE 
model.compile(loss='sparse_categorical_crossentropy',optimizer='sgd', 
metrics=['accuracy']) 
model.fit(train_X_arr, train_y_arr,batch_size=batch_size, epochs=epochs, 
shuffle=False,validation_data=(test_X_arr, test_y_arr)) 

und das ist es.

EDIT: Darüber hinaus stellen Sie sicher, dass Sie Ihre Zugdaten umformen: (1795575, 6,1) -> 1795575 Beispiele, jeder hat 6 Zeitstempel, jeder Zeitstempel ist skalar.
Das erreichen Sie einfach mit np.expand_dims (train_data, -1).