基于数据帧的神经网络LSTM输入形状

Question

我正在尝试实现一个LSTM with Keras。

我知道Keras中的LSTM需要一个以形状(nb_samples, timesteps, input_dim)作为输入的3D张量。然而，我并不完全确定在我的例子中输入应该是什么样子的，因为对于每个输入，我只有一个T观察结果的样本，而不是多个样本，即(nb_samples=1, timesteps=T, input_dim=N)。把我的每个输入分成长度为T/M的样本更好吗？T对我来说大约有几百万个观测值，那么在这种情况下，每个样本应该有多长时间，即我应该如何选择M？

还有，我说的对吗，这个张量应该看起来像：

[[[a_11, a_12, ..., a_1M], [a_21, a_22, ..., a_2M], ..., [a_N1, a_N2, ..., a_NM]], 
 [[b_11, b_12, ..., b_1M], [b_21, b_22, ..., b_2M], ..., [b_N1, b_N2, ..., b_NM]], 
 ..., 
 [[x_11, x_12, ..., a_1M], [x_21, x_22, ..., x_2M], ..., [x_N1, x_N2, ..., x_NM]]]

其中M和N定义为之前，x对应于我从上面讨论的拆分中获得的最后一个样本？

最后，给定一个pandas数据框，每个列中都有T个观察值，每个输入都有N列，如何创建这样的输入以馈送给Keras？

Answer 1

下面是一个设置时间序列数据以训练LSTM的示例。模型输出是毫无意义的，因为我只是设置它来演示如何构建模型。

import pandas as pd
import numpy as np
# Get some time series data
df = pd.read_csv("https://raw.githubusercontent.com/plotly/datasets/master/timeseries.csv")
df.head()

时间序列数据帧：

Date      A       B       C      D      E      F      G
0   2008-03-18  24.68  164.93  114.73  26.27  19.21  28.87  63.44
1   2008-03-19  24.18  164.89  114.75  26.22  19.07  27.76  59.98
2   2008-03-20  23.99  164.63  115.04  25.78  19.01  27.04  59.61
3   2008-03-25  24.14  163.92  114.85  27.41  19.61  27.84  59.41
4   2008-03-26  24.44  163.45  114.84  26.86  19.53  28.02  60.09

您可以将输入构建为向量，然后使用pandas.cumsum()函数构建时间序列的序列：

# Put your inputs into a single list
df['single_input_vector'] = df[input_cols].apply(tuple, axis=1).apply(list)
# Double-encapsulate list so that you can sum it in the next step and keep time steps as separate elements
df['single_input_vector'] = df.single_input_vector.apply(lambda x: [list(x)])
# Use .cumsum() to include previous row vectors in the current row list of vectors
df['cumulative_input_vectors'] = df.single_input_vector.cumsum()

可以以类似的方式设置输出，但它将是单个矢量而不是序列：

# If your output is multi-dimensional, you need to capture those dimensions in one object
# If your output is a single dimension, this step may be unnecessary
df['output_vector'] = df[output_cols].apply(tuple, axis=1).apply(list)

输入序列的长度必须相同才能在模型中运行，因此需要将它们填充为累积向量的最大长度：

# Pad your sequences so they are the same length
from keras.preprocessing.sequence import pad_sequences

max_sequence_length = df.cumulative_input_vectors.apply(len).max()
# Save it as a list   
padded_sequences = pad_sequences(df.cumulative_input_vectors.tolist(), max_sequence_length).tolist()
df['padded_input_vectors'] = pd.Series(padded_sequences).apply(np.asarray)

训练数据可以从数据帧中提取并放入numpy数组中。请注意，从数据帧中输出的输入数据不会构成三维数组。它生成一个数组，这是不同的。

可以使用hstack和reforme来构建三维输入数组。

# Extract your training data
X_train_init = np.asarray(df.padded_input_vectors)
# Use hstack to and reshape to make the inputs a 3d vector
X_train = np.hstack(X_train_init).reshape(len(df),max_sequence_length,len(input_cols))
y_train = np.hstack(np.asarray(df.output_vector)).reshape(len(df),len(output_cols))

为了证明这一点：

>>> print(X_train_init.shape)
(11,)
>>> print(X_train.shape)
(11, 11, 6)
>>> print(X_train == X_train_init)
False

一旦有了训练数据，就可以定义输入层和输出层的维度。

# Get your input dimensions
# Input length is the length for one input sequence (i.e. the number of rows for your sample)
# Input dim is the number of dimensions in one input vector (i.e. number of input columns)
input_length = X_train.shape[1]
input_dim = X_train.shape[2]
# Output dimensions is the shape of a single output vector
# In this case it's just 1, but it could be more
output_dim = len(y_train[0])

建立模型：

from keras.models import Model, Sequential
from keras.layers import LSTM, Dense

# Build the model
model = Sequential()

# I arbitrarily picked the output dimensions as 4
model.add(LSTM(4, input_dim = input_dim, input_length = input_length))
# The max output value is > 1 so relu is used as final activation.
model.add(Dense(output_dim, activation='relu'))

model.compile(loss='mean_squared_error',
              optimizer='sgd',
              metrics=['accuracy'])

最后，您可以培训模型并将培训日志保存为历史记录：

# Set batch_size to 7 to show that it doesn't have to be a factor or multiple of your sample size
history = model.fit(X_train, y_train,
              batch_size=7, nb_epoch=3,
              verbose = 1)

输出：

Epoch 1/3
11/11 [==============================] - 0s - loss: 3498.5756 - acc: 0.0000e+00     
Epoch 2/3
11/11 [==============================] - 0s - loss: 3498.5755 - acc: 0.0000e+00     
Epoch 3/3
11/11 [==============================] - 0s - loss: 3498.5757 - acc: 0.0000e+00 

就这样。使用model.predict(X)，其中X与X_train的格式相同（而不是样本数），以便从模型进行预测。

Answer 2

张量形状

你说得对，Keras期望LSTM神经网络有一个三维张量，但我认为你缺少的一点是Keras期望每个观测值都有多个维度。

例如，在Keras中，我使用词向量来表示自然语言处理的文档。文档中的每个单词都由一个n维数字向量表示（因此，如果n = 2，“cat”一词将由类似[0.31, 0.65]的东西表示）。为了表示单个文档，单词向量按顺序排列（例如，“cat sat.”=[[0.12, 0.99], [0.31, 0.65], [0.94, 0.04]]）。文档将是Keras LSTM中的单个样本。

这类似于你的时间序列观察。一个文档就像一个时间序列，一个单词就像你的时间序列中的一个观察，但是在你的例子中，它只是你的观察的表示只是n = 1维度。

因此，我认为你的张量应该是[[[a1], [a2], ... , [aT]], [[b1], [b2], ..., [bT]], ..., [[x1], [x2], ..., [xT]]]，其中x对应于nb_samples，timesteps = T，和input_dim = 1，因为你的每个观测值只有一个数。

批量大小

根据这个Cross Validated post，批大小应该设置为在不超过计算机内存容量的情况下最大化吞吐量。据我所知，您的输入不需要是批处理大小的倍数，也不需要在训练模型和根据模型进行预测时使用。

示例

如果您正在寻找示例代码，那么在Keras Github上有许多使用LSTM和其他已排序输入的网络类型的示例。