时间戳

首页 > 解决方案 > LSTM 参数修改

tensorflow - LSTM 参数修改

问题描述

我正在研究 LSTM 代码并试图使我的模型准确。我一直在尝试更改参数*以及 epoch 数和批量大小，但都是徒劳的。可能，我做错了！有什么帮助吗？请与我分享任何可能有用的教程或指南。谢谢

*LSTM 参数

tf.keras.layers.LSTM(
    units, activation='tanh', recurrent_activation='sigmoid', use_bias=True,
    kernel_initializer='glorot_uniform', recurrent_initializer='orthogonal',
    bias_initializer='zeros', unit_forget_bias=True, kernel_regularizer=None,
    recurrent_regularizer=None, bias_regularizer=None, activity_regularizer=None,
    kernel_constraint=None, recurrent_constraint=None, bias_constraint=None,
    dropout=0.0, recurrent_dropout=0.0, implementation=2, return_sequences=False,
    return_state=False, go_backwards=False, stateful=False, time_major=False,
    unroll=False, **kwargs
)

标签： tensorflowmachine-learningdeep-learninglstmhyperparameters

解决方案

每个人都可能很难理解和使用循环神经网络。然而，它们并不像看起来那么困难。

为了从头开始理解循环神经网络和 LSTM，我认为最好的博客是Colah博客。

您还可以查看这篇总结 RNN 概念的文章。

keras 博客中的本教程可能对实现 RNN 很有用。

最后，要理解 LSTM 层，可以将它们视为一个简单的 Dense 层，层units的大小为层。

这些层的特别之处在于它们是如何工作的，这就是其他争论的来源。在这里，我将只使用我使用过的那些。

units: Size of the layer
Activation: Activation function to apply on the output of the layer
use_bias: Boolean, decides if to use a vector for bias or not
return_sequences: Boolean, if you have Many to One RNN set it to False, If Many to Many RNN set it to True

编辑：这是我为图像分类构建的宪法循环神经网络的代码。我希望这是你正在寻找的。

 model = Sequential()
        model.add(Input(shape=(IMG_HEIGHT, IMG_WIDTH, 3)))
        model.add(Reshape(target_shape=(IMG_HEIGHT, IMG_WIDTH * 3)))
        model.add(Conv1D(filters=64, kernel_size=3, padding="same", activation='relu',
                         input_shape=(IMG_HEIGHT, IMG_WIDTH * 3), data_format='channels_last'))
        
        model.add(Conv1D(filters=64, kernel_size=3, padding="same", activation='relu'))
        model.add(MaxPooling1D(pool_size=3))

        model.add(Conv1D(filters=128, kernel_size=3, padding="same", activation='relu'))
        model.add(Conv1D(filters=128, kernel_size=3, padding="same", activation='relu'))
        model.add(LSTM(64, activation='relu'))
        model.add(BatchNormalization())
        model.add(Flatten())
        model.add(Dense(4, activation='softmax'))
        model.build(input_shape=(batch_size, IMG_HEIGHT, IMG_WIDTH, 3))
        model.summary()

我希望这有帮助。

推荐阅读