我试图调和我对 LSTM 的理解,并在 Keras 中实现的 this post by Christopher Olah 中指出。我正在关注 Keras 教程的 blog written by Jason Brownlee。我主要困惑的是,
将数据系列重塑为 [样本、时间步长、特征] 和有状态 LSTM
让我们参考下面粘贴的代码专注于上述两个问题:
# reshape into X=t and Y=t+1
look_back = 3
trainX, trainY = create_dataset(train, look_back)
testX, testY = create_dataset(test, look_back)
# reshape input to be [samples, time steps, features]
trainX = numpy.reshape(trainX, (trainX.shape[0], look_back, 1))
testX = numpy.reshape(testX, (testX.shape[0], look_back, 1))
########################
# The IMPORTANT BIT
##########################
# create and fit the LSTM network
batch_size = 1
model = Sequential()
model.add(LSTM(4, batch_input_shape=(batch_size, look_back, 1), stateful=True))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')
for i in range(100):
model.fit(trainX, trainY, nb_epoch=1, batch_size=batch_size, verbose=2, shuffle=False)
model.reset_states()
注意:create_dataset 采用长度为 N 的序列并返回一个 N-look_back
数组,其中每个元素都是一个 look_back
长度的序列。
什么是时间步长和特征?
https://i.stack.imgur.com/kwhAP.jpg
当我们考虑多元序列时,特征参数是否变得相关?例如同时模拟两只金融股?
有状态的 LSTM
有状态 LSTM 是否意味着我们在批次运行之间保存单元记忆值?如果是这种情况,batch_size
是 1,并且在训练运行之间会重置内存,那么说它是有状态的有什么意义。我猜这与训练数据没有被打乱的事实有关,但我不确定如何。
有什么想法吗?图片参考:http://karpathy.github.io/2015/05/21/rnn-effectiveness/
编辑1:
https://i.stack.imgur.com/sW207.jpg
编辑2:
对于已经完成 Udacity 的深度学习课程但仍然对 time_step 参数感到困惑的人,请查看以下讨论:https://discussions.udacity.com/t/rnn-lstm-use-implementation/163169
更新:
原来 model.add(TimeDistributed(Dense(vocab_len)))
是我要找的。这是一个示例:https://github.com/sachinruk/ShakespeareBot
更新2:
我在这里总结了我对 LSTM 的大部分理解:https://www.youtube.com/watch?v=ywinX5wgdEU
作为已接受答案的补充,此答案显示了 keras 行为以及如何实现每张图片。
一般 Keras 行为
标准的 keras 内部处理始终是多对多的,如下图所示(我使用 features=2
,压力和温度,仅作为示例):
https://i.stack.imgur.com/vTYa5.jpg
在这张图片中,我将步数增加到 5,以避免与其他维度混淆。
对于这个例子:
我们有N个油箱
我们花了 5 小时每小时采取措施(时间步长)
我们测量了两个特征: 压力 P 温度 T
压力P
温度 T
然后我们的输入数组应该是形状为 (N,5,2)
的东西:
[ Step1 Step2 Step3 Step4 Step5
Tank A: [[Pa1,Ta1], [Pa2,Ta2], [Pa3,Ta3], [Pa4,Ta4], [Pa5,Ta5]],
Tank B: [[Pb1,Tb1], [Pb2,Tb2], [Pb3,Tb3], [Pb4,Tb4], [Pb5,Tb5]],
....
Tank N: [[Pn1,Tn1], [Pn2,Tn2], [Pn3,Tn3], [Pn4,Tn4], [Pn5,Tn5]],
]
滑动窗口的输入
通常,LSTM 层应该处理整个序列。划分窗口可能不是最好的主意。该层具有关于序列在前进时如何演变的内部状态。窗口消除了学习长序列的可能性,将所有序列限制在窗口大小。
在 windows 中,每个窗口都是一个长的原始序列的一部分,但在 Keras 中,它们将被视为一个独立的序列:
[ Step1 Step2 Step3 Step4 Step5
Window A: [[P1,T1], [P2,T2], [P3,T3], [P4,T4], [P5,T5]],
Window B: [[P2,T2], [P3,T3], [P4,T4], [P5,T5], [P6,T6]],
Window C: [[P3,T3], [P4,T4], [P5,T5], [P6,T6], [P7,T7]],
....
]
请注意,在这种情况下,您最初只有一个序列,但您将其划分为多个序列以创建窗口。
“什么是序列”的概念是抽象的。重要的部分是:
你可以有许多单独的序列批次
使序列成为序列的原因是它们逐步演化(通常是时间步长)
用“单层”实现每个案例
达到标准多对多:
https://i.stack.imgur.com/RXYW2.jpg
您可以使用 return_sequences=True
通过简单的 LSTM 层实现多对多:
outputs = LSTM(units, return_sequences=True)(inputs)
#output_shape -> (batch_size, steps, units)
实现多对一:
使用完全相同的层,keras 将执行完全相同的内部预处理,但是当您使用 return_sequences=False
(或简单地忽略此参数)时,keras 将自动丢弃上一步之前的步骤:
https://i.stack.imgur.com/GMe8r.jpg
outputs = LSTM(units)(inputs)
#output_shape -> (batch_size, units) --> steps were discarded, only the last was returned
实现一对多
现在,仅 keras LSTM 层不支持这一点。您将必须创建自己的策略来增加步骤。有两种很好的方法:
通过重复张量创建一个恒定的多步输入
使用 stateful=True 循环获取一个步骤的输出并将其作为下一步的输入(需要 output_features == input_features)
具有重复向量的一对多
为了适应 keras 标准行为,我们需要分步输入,因此,我们只需按照我们想要的长度重复输入:
https://i.stack.imgur.com/ZADR6.jpg
outputs = RepeatVector(steps)(inputs) #where inputs is (batch,features)
outputs = LSTM(units,return_sequences=True)(outputs)
#output_shape -> (batch_size, steps, units)
理解有状态 = True
现在是 stateful=True
的一种可能用法(除了避免一次加载无法满足您计算机内存的数据)
有状态允许我们分阶段输入序列的“部分”。区别在于:
在 stateful=False 中,第二批包含全新的序列,独立于第一批
在 stateful=True 中,第二批继续第一批,扩展相同的序列。
这就像在窗口中划分序列一样,主要有以下两个区别:
这些窗口不重叠!
stateful=True 将看到这些窗口连接为一个长序列
在 stateful=True
中,每个新批次都将被解释为继续上一个批次(直到您调用 model.reset_states()
)。
批次 2 中的序列 1 将继续批次 1 中的序列 1。
批次 2 中的序列 2 将继续批次 1 中的序列 2。
批次 2 中的序列 n 将继续批次 1 中的序列 n。
输入示例,第 1 批包含第 1 步和第 2 步,第 2 批包含第 3 到第 5 步:
BATCH 1 BATCH 2
[ Step1 Step2 | [ Step3 Step4 Step5
Tank A: [[Pa1,Ta1], [Pa2,Ta2], | [Pa3,Ta3], [Pa4,Ta4], [Pa5,Ta5]],
Tank B: [[Pb1,Tb1], [Pb2,Tb2], | [Pb3,Tb3], [Pb4,Tb4], [Pb5,Tb5]],
.... |
Tank N: [[Pn1,Tn1], [Pn2,Tn2], | [Pn3,Tn3], [Pn4,Tn4], [Pn5,Tn5]],
] ]
注意第 1 批和第 2 批坦克的对齐方式!这就是我们需要 shuffle=False
的原因(当然,除非我们只使用一个序列)。
您可以无限地拥有任意数量的批次。 (要在每批中具有可变长度,请使用 input_shape=(None,features)
。
stateful=True 一对多
对于我们这里的例子,我们将只使用每批 1 个步骤,因为我们想要获得一个输出步骤并将其作为输入。
请注意,图片中的行为不是“由”stateful=True
引起的。我们将在下面的手动循环中强制执行该行为。在此示例中,stateful=True
是“允许”我们停止序列、操纵我们想要的内容并从我们停止的地方继续的东西。
https://i.stack.imgur.com/ihAFT.jpg
老实说,对于这种情况,重复方法可能是更好的选择。但由于我们正在研究 stateful=True
,这是一个很好的例子。使用它的最佳方式是下一个“多对多”案例。
层:
outputs = LSTM(units=features,
stateful=True,
return_sequences=True, #just to keep a nice output shape even with length 1
input_shape=(None,features))(inputs)
#units = features because we want to use the outputs as inputs
#None because we want variable length
#output_shape -> (batch_size, steps, units)
现在,我们将需要一个手动循环来进行预测:
input_data = someDataWithShape((batch, 1, features))
#important, we're starting new sequences, not continuing old ones:
model.reset_states()
output_sequence = []
last_step = input_data
for i in steps_to_predict:
new_step = model.predict(last_step)
output_sequence.append(new_step)
last_step = new_step
#end of the sequences
model.reset_states()
多对多与 stateful=True
现在,在这里,我们得到了一个非常好的应用程序:给定一个输入序列,尝试预测它未来的未知步骤。
我们使用与上述“一对多”相同的方法,不同之处在于:
我们将使用序列本身作为目标数据,领先一步
我们知道序列的一部分(所以我们丢弃这部分结果)。
https://i.stack.imgur.com/4HPZB.jpg
层(同上):
outputs = LSTM(units=features,
stateful=True,
return_sequences=True,
input_shape=(None,features))(inputs)
#units = features because we want to use the outputs as inputs
#None because we want variable length
#output_shape -> (batch_size, steps, units)
训练:
我们将训练我们的模型来预测序列的下一步:
totalSequences = someSequencesShaped((batch, steps, features))
#batch size is usually 1 in these cases (often you have only one Tank in the example)
X = totalSequences[:,:-1] #the entire known sequence, except the last step
Y = totalSequences[:,1:] #one step ahead of X
#loop for resetting states at the start/end of the sequences:
for epoch in range(epochs):
model.reset_states()
model.train_on_batch(X,Y)
预测:
我们预测的第一阶段涉及“调整状态”。这就是为什么我们要再次预测整个序列,即使我们已经知道它的这一部分:
model.reset_states() #starting a new sequence
predicted = model.predict(totalSequences)
firstNewStep = predicted[:,-1:] #the last step of the predictions is the first future step
现在我们像一对多的情况一样进入循环。但不要在这里重置状态!我们希望模型知道它在序列的哪一步(并且由于我们刚刚在上面所做的预测,它知道它处于第一个新步骤)
output_sequence = [firstNewStep]
last_step = firstNewStep
for i in steps_to_predict:
new_step = model.predict(last_step)
output_sequence.append(new_step)
last_step = new_step
#end of the sequences
model.reset_states()
这些答案和文件中使用了这种方法:
使用 LSTM 预测时间序列的多个前向时间步
如何使用 Keras 模型来预测未来的日期或事件?
https://github.com/danmoller/TestRepo/blob/master/TestBookLSTM.ipynb
实现复杂的配置
在上面的所有示例中,我都展示了“一层”的行为。
当然,您可以将许多层堆叠在一起,不一定都遵循相同的模式,并创建自己的模型。
一个有趣的例子是“自动编码器”,它有一个“多对一编码器”,后跟一个“一对多”解码器:
编码器:
inputs = Input((steps,features))
#a few many to many layers:
outputs = LSTM(hidden1,return_sequences=True)(inputs)
outputs = LSTM(hidden2,return_sequences=True)(outputs)
#many to one layer:
outputs = LSTM(hidden3)(outputs)
encoder = Model(inputs,outputs)
解码器:
使用“重复”方法;
inputs = Input((hidden3,))
#repeat to make one to many:
outputs = RepeatVector(steps)(inputs)
#a few many to many layers:
outputs = LSTM(hidden4,return_sequences=True)(outputs)
#last layer
outputs = LSTM(features,return_sequences=True)(outputs)
decoder = Model(inputs,outputs)
自动编码器:
inputs = Input((steps,features))
outputs = encoder(inputs)
outputs = decoder(outputs)
autoencoder = Model(inputs,outputs)
与 fit(X,X)
一起训练
附加说明
如果您想了解有关如何在 LSTM 中计算步数的详细信息,或者有关上述 stateful=True
案例的详细信息,您可以在此答案中阅读更多信息:Doubts regarding `Understanding Keras LSTMs`
Time-step 的含义:X.shape(描述数据形状)中的 Time-steps==3
表示有三个粉色框。由于在 Keras 中每一步都需要输入,因此绿色框的数量通常应该等于红色框的数量。除非你破解结构。
多对多 vs. 多对一:在 keras 中,初始化 LSTM
或 GRU
或 SimpleRNN
时有一个 return_sequences
参数。当 return_sequences
为 False
(默认)时,则为 多对一,如图所示。它的返回形状是(batch_size, hidden_unit_length)
,代表最后一个状态。当 return_sequences
为 True
时,它是多对多。它的返回形状是 (batch_size, time_step, hidden_unit_length)
特征参数是否相关:特征参数表示“你的红框有多大”或每一步的输入维度是多少。如果您想根据 8 种市场信息进行预测,则可以使用 feature==8
生成数据。
有状态:您可以查找 the source code。初始化状态时,若为stateful==True
,则将上次训练的状态作为初始状态,否则生成新状态。我还没有打开 stateful
。但是,我不同意 stateful==True
时 batch_size
只能为 1。
目前,您使用收集的数据生成数据。想象您的股票信息以流的形式出现,而不是等待一天来收集所有顺序,您希望在使用网络进行训练/预测时生成输入数据在线。如果您有 400 只股票共享同一个网络,那么您可以设置 batch_size==400
。
stateful: Boolean (default False). If True, the last state for each sample at index i in a batch will be used as initial state for the sample of index i in the following batch.
lookback = 1
吗?
stateful=True
的补充:批量大小可以是任何你喜欢的,但你必须坚持。如果您以 5 的批次大小构建模型,则所有 fit()
、predict()
和相关方法都需要 5 个批次。但请注意,此状态不会与 model.save()
一起保存,这似乎是不可取的。但是,如果需要,您可以手动将状态添加到 hdf5 文件。但实际上,这允许您通过保存和重新加载模型来更改批量大小。
当您在 RNN 的最后一层中有 return_sequences 时,您不能使用简单的 Dense 层,而是使用 TimeDistributed。
这是一段可能对其他人有帮助的示例代码。
words = keras.layers.Input(batch_shape=(None, self.maxSequenceLength), name = "input")
# Build a matrix of size vocabularySize x EmbeddingDimension
# where each row corresponds to a "word embedding" vector.
# This layer will convert replace each word-id with a word-vector of size Embedding Dimension.
embeddings = keras.layers.embeddings.Embedding(self.vocabularySize, self.EmbeddingDimension,
name = "embeddings")(words)
# Pass the word-vectors to the LSTM layer.
# We are setting the hidden-state size to 512.
# The output will be batchSize x maxSequenceLength x hiddenStateSize
hiddenStates = keras.layers.GRU(512, return_sequences = True,
input_shape=(self.maxSequenceLength,
self.EmbeddingDimension),
name = "rnn")(embeddings)
hiddenStates2 = keras.layers.GRU(128, return_sequences = True,
input_shape=(self.maxSequenceLength, self.EmbeddingDimension),
name = "rnn2")(hiddenStates)
denseOutput = TimeDistributed(keras.layers.Dense(self.vocabularySize),
name = "linear")(hiddenStates2)
predictions = TimeDistributed(keras.layers.Activation("softmax"),
name = "softmax")(denseOutput)
# Build the computational graph by specifying the input, and output of the network.
model = keras.models.Model(input = words, output = predictions)
# model.compile(loss='kullback_leibler_divergence', \
model.compile(loss='sparse_categorical_crossentropy', \
optimizer = keras.optimizers.Adam(lr=0.009, \
beta_1=0.9,\
beta_2=0.999, \
epsilon=None, \
decay=0.01, \
amsgrad=False))
有关详细信息,请参阅此博客 Animated RNN, LSTM and GRU。
https://i.stack.imgur.com/Csa3E.png
如您所见,X 有 3 个 features
(绿色圆圈),因此该单元格的输入是一个维度为 3 的向量,隐藏状态有 2 个 units
(红色圆圈),因此该单元格的输出(以及单元格状态)是一个维度为 2 的向量。
一个具有 3 个时间步长(3 个 LSTM 单元)的 LSTM 层的示例如下图所示:
https://i.stack.imgur.com/7n2Fc.png
** 一个模型可以有多个 LSTM 层。
现在我再次使用 Daniel Möller 的例子来更好地理解:我们有 10 个油箱。对于它们中的每一个,我们测量 2 个特征:温度、压力,每隔一小时测量 5 次。现在参数是:
batch_size = 一次前向/后向传递中使用的样本数(默认值 = 32)--> 例如,如果您有 1000 个样本并且您将 batch_size 设置为 100,那么模型将需要 10 次迭代才能将所有样本通过一次网络(1 个时代)。批处理大小越大,您需要的内存空间就越多。由于本例中的样本数量较少,我们认为 batch_size 等于所有样本 = 10
时间步长 = 5
特征 = 2
units = 它是一个正整数,确定隐藏状态和单元状态的维度,或者换句话说,传递给下一个 LSTM 单元的参数数量。它可以根据特征和时间步任意或凭经验选择。使用更多单位将导致更高的准确性和更多的计算时间。但这可能会导致过度拟合。
input_shape = (batch_size, timesteps, features) = (10,5,2)
output_shape: (batch_size, timesteps, units) if return_sequences=True (batch_size, units) if return_sequences=False
(batch_size, timesteps, units) if return_sequences=True
(batch_size, 单位) 如果 return_sequences=False
不定期副业成功案例分享
my_cell = LSTM(num_output_features_per_timestep, return_state=True)
,后跟一个循环a, _, c = my_cell(output_of_previous_time_step, initial_states=[a, c])