Keras 中的多对一和多对多 LSTM 示例

所以：

一对一：您可以使用密集层，因为您不处理序列：model.add(Dense(output_size, input_shape=input_shape)) 一对多：不支持此选项，因为链接模型不是很好在 Keras 中很容易，因此以下版本是最简单的版本： model.add(RepeatVector(number_of_times, input_shape=input_shape)) model.add(LSTM(output_size, return_sequences=True)) 多对一：实际上，您的代码片段（几乎）是这种方法的一个例子： model = Sequential() model.add(LSTM(1, input_shape=(timesteps, data_dim))) 多对多：当输入的长度和输出与循环步数匹配：model = Sequential() model.add(LSTM(1, input_shape=(timesteps, data_dim), return_sequences=True)) 当步数与输入/输出长度不同时的多对多：这在 Keras 中非常困难。没有简单的代码片段来编写代码。

编辑：广告 5

在我最近的一个应用程序中，我们实现了一些可能类似于第四张图像中的多对多的东西。如果您想要一个具有以下架构的网络（当输入长于输出时）：

                                        O O O
                                        | | |
                                  O O O O O O
                                  | | | | | | 
                                  O O O O O O

您可以通过以下方式实现此目的：

model = Sequential()
model.add(LSTM(1, input_shape=(timesteps, data_dim), return_sequences=True))
model.add(Lambda(lambda x: x[:, -N:, :])) #Select last N from output

其中 N 是您要覆盖的最后步骤数（在图像 N = 3 上）。

从这一点开始：

                                        O O O
                                        | | |
                                  O O O O O O
                                  | | | 
                                  O O O 

就像使用例如 0 向量的长度 N 的人工填充序列一样简单，以便将其调整到适当的大小。

---

@Marcin Możejko 的好答案

我会在 NR.5 中添加以下内容（多对多具有不同的输入/输出长度）：

A）作为香草LSTM

model = Sequential()
model.add(LSTM(N_BLOCKS, input_shape=(N_INPUTS, N_FEATURES)))
model.add(Dense(N_OUTPUTS))

B) 作为编码器-解码器 LSTM

model.add(LSTM(N_BLOCKS, input_shape=(N_INPUTS, N_FEATURES))  
model.add(RepeatVector(N_OUTPUTS))
model.add(LSTM(N_BLOCKS, return_sequences=True))  
model.add(TimeDistributed(Dense(1)))
model.add(Activation('linear')) 

---