keras - Keras 中的 GRU/LSTM,输入序列长度可变
问题描述
我正在做一个较小的项目以更好地理解 RNN,尤其是 LSTM 和 GRU。我根本不是专家,所以请记住这一点。
我面临的问题是以以下形式给出的数据:
>>> import numpy as np
>>> import pandas as pd
>>> pd.DataFrame([[1, 2, 3],[1, 2, 1], [1, 3, 2],[2, 3, 1],[3, 1, 1],[3, 3, 2],[4, 3, 3]], columns=['person', 'interaction', 'group'])
person interaction group
0 1 2 3
1 1 2 1
2 1 3 2
3 2 3 1
4 3 1 1
5 3 3 2
6 4 3 3
这只是为了解释。我们有不同的人以不同的方式与不同的群体互动。我已经对各种功能进行了编码。用户的最后一次交互总是 a 3
,这意味着选择某个组。在上面的简短示例中person 1
选择 group 2
,person 2
选择 group1
等等。
我的整个数据集要大得多,但我想先了解概念部分,然后再投入模型。我想学习的任务是一个交互序列,由个人选择哪个组。更具体一点,我想输出一个包含所有组(有 3 个组1, 2, 3
)的列表,按最可能的选择排序,然后是第二和第三个最喜欢的组。因此,损失函数是一个平均倒数等级。
我知道在 Keras Grus/LSTM 中可以处理各种长度的输入。所以我的三个问题是。
输入的格式为:
(samples, timesteps, features)
编写高级代码:
import keras.layers as L
import keras.models as M
model_input = L.Input(shape=(?, None, 2))
timestep=None
应该暗示不同的大小并且2
是针对功能的interaction
和group
。但是样品呢?如何定义批次?
对于输出,我有点困惑,在这个例子中应该是什么样子?我认为对于一个人的每一次最后一次互动,我都希望有一个长度列表3
。假设我已经设置了输出
model_output = L.LSTM(3, return_sequences=False)
然后我想编译它。有没有办法使用平均倒数等级?
model.compile('adam', '?')
我知道这些问题的水平相当高,但我想先了解大局并开始尝试。因此,任何帮助将不胜感激。
解决方案
您在问题中提出的概念已经是一个很好的开始。我将添加一些东西来使它工作,以及下面的代码示例:
- 您可以
LSTM(n_hidden, input_shape=(None, 2))
直接指定,而不是插入额外的Input
层;定义中将省略批次维度。 - 由于您的模型将执行某种分类(基于时间序列数据),因此最后一层也是我们对“正常”分类的期望,a
Dense(num_classes, action='softmax')
.LSTM
将和层链接Dense
在一起将首先通过层传递时间序列输入LSTM
,然后将其输出(由隐藏单元的数量确定)馈送到Dense
层。activation='softmax'
允许为每个类计算一个类分数(我们将在数据预处理步骤中使用 one-hot-encoding,请参见下面的代码示例)。这意味着课程分数没有排序,但您始终可以通过np.argsort
或来排序np.argmax
。 - 分类交叉熵损失适合比较分类分数,所以我们将使用它
model.compile(loss='categorical_crossentropy', optimizer='adam')
: - 由于互动次数。即模型输入的长度,因样本而异,我们将使用批量大小为 1 并一次输入一个样本。
以下是针对上述考虑的示例实现。请注意,我稍微修改了您的示例数据,以便在组选择背后提供更多“推理”。并且每个人在选择组之前需要至少进行一次交互(即输入序列不能为空);如果您的数据不是这种情况,那么引入额外的无操作交互(例如0
)会有所帮助。
import pandas as pd
import tensorflow as tf
model = tf.keras.models.Sequential()
model.add(tf.keras.layers.LSTM(10, input_shape=(None, 2))) # LSTM for arbitrary length series.
model.add(tf.keras.layers.Dense(3, activation='softmax')) # Softmax for class probabilities.
model.compile(loss='categorical_crossentropy', optimizer='adam')
# Example interactions:
# * 1: Likes the group,
# * 2: Dislikes the group,
# * 3: Chooses the group.
df = pd.DataFrame([
[1, 1, 3],
[1, 1, 3],
[1, 2, 2],
[1, 3, 3],
[2, 2, 1],
[2, 2, 3],
[2, 1, 2],
[2, 3, 2],
[3, 1, 1],
[3, 1, 1],
[3, 1, 1],
[3, 2, 3],
[3, 2, 2],
[3, 3, 1]],
columns=['person', 'interaction', 'group']
)
data = [person[1][['interaction', 'group']].values for person in df.groupby('person')]
x_train = [x[:-1] for x in data]
y_train = tf.keras.utils.to_categorical([x[-1, 1]-1 for x in data]) # Expects class labels from 0 to n (-> subtract 1).
print(x_train)
print(y_train)
class TrainGenerator(tf.keras.utils.Sequence):
def __init__(self, x, y):
self.x = x
self.y = y
def __len__(self):
return len(self.x)
def __getitem__(self, index):
# Need to expand arrays to have batch size 1.
return self.x[index][None, :, :], self.y[index][None, :]
model.fit_generator(TrainGenerator(x_train, y_train), epochs=1000)
pred = [model.predict(x[None, :, :]).ravel() for x in x_train]
for p, y in zip(pred, y_train):
print(p, y)
以及相应的样本输出:
[...]
Epoch 1000/1000
3/3 [==============================] - 0s 40ms/step - loss: 0.0037
[0.00213619 0.00241093 0.9954529 ] [0. 0. 1.]
[0.00123938 0.99718493 0.00157572] [0. 1. 0.]
[9.9632275e-01 7.5039308e-04 2.9268670e-03] [1. 0. 0.]
使用自定义生成器表达式:根据文档,我们可以使用任何生成器来生成数据。生成器预计会产生批量数据并无限期地循环整个数据集。使用时tf.keras.utils.Sequence
我们不需要指定参数steps_per_epoch
,因为这将默认为len(train_generator)
. 因此,当使用自定义生成器时,我们也应提供此参数:
import itertools as it
model.fit_generator(((x_train[i % len(x_train)][None, :, :],
y_train[i % len(y_train)][None, :]) for i in it.count()),
epochs=1000,
steps_per_epoch=len(x_train))
推荐阅读
- python - 在谷歌驱动器python中上传文件
- c# - 按可除数将一个列表拆分为多个列表
- git - 当我删除 .git 文件夹时,哪个分支更改保留
- css - 如何使用(React Native)在顶部标题上制作完美曲线
- r - 如何将参数设置为 stat_function 中的列表
- angular - 加载资源失败:服务器响应状态为 404 (Not Found) ERROR HttpErrorResponse
- jenkins - Git 提交状态无法解析 jenkins 中的存储库
- angular - 如何修复 REST API 调用中生成的令牌?
- css - 使用animejs更改css“显示”属性
- node.js - For循环不等待等待