python - Keras 如何将前向传播应用于单层前馈或多层前馈模型？

Question

我想知道是否可以仅通过在 Keras 中使用前向传播来预测某些特征，就可以在时间序列数据上实现单层前馈和多层前馈模型？由于 Keras 隐式执行反向传播，无需特殊命令。如您所知，单层前馈和多层前馈模型被认为是前馈方法，据我所知optimizer，仅在反向传播中使用model.compile(optimizer='adam')它们将使我们能够将误差函数带到最小的计算资源。

此外，全连接模型和反向传播之间有什么关系吗？
我真的很欢迎一些 Python 代码来解释，如果有任何帮助我从实现的角度理解Keras基于预测的 ANN 使用这个简单概念的实现。

我在这里共享数据集进行训练和测试。感谢您的关注并在这方面提出一个幼稚的问题！

标签： pythonkerasneural-networkdeep-learningbackpropagation

Answer 1

在评论之后，如果您希望使用前馈网络对时间序列进行建模并迭代地馈送输入，那就是SimpleRNN，它是“将输出反馈到输入的完全连接的 RNN”。

在每个时间步都使用前馈网络，而循环方面只是共享相同权重的链式前馈网络的展开版本。它计算前一个输出的tanh(Wx + b + Uh)位置h，您可以考虑一个具有 2 个输入的前馈网络，即当前时间步长输入和前一个输出。