是否可以制作具有 4 维数据形状的 LSTM 模型？
Is it possible to making LSTM model with 4 dimension shape of data?
你好，巫师。
我有时间序列数据，包括几天。
我尝试预测明天的等级，范围从 0 到 100。
我假设这个等级取决于 3 个时间序列独立特征。
每一天都是一个单元，都有一个等级，但是每个单元（天）的时间序列数据长度不同。
因为每天都有很多数据长度，所以我每天滚动window，大小为1080，步幅为180。
所以我尝试将其转换为 (# of unit(sample), # of window, windowsize, features).
最后我得到 (450, # window(not fixed), 1080, 3).
450天，每一天的长度window（1080）和特征（3）相同，但windows的数量不同。
我考虑过零填充，但我听说我可以使用具有不同输入长度的动态（？）LSTM。
问题是 Keras LSTM 的输入形状必须是 3 维的。
所以我很困惑我应该如何使这个形状适合 LSTM 模型。
我的目标是，当我将新的一天（# of window, 1080, 3）放入 LSTM 模型时，我希望它预测成绩。
你能给我什么建议或建议吗？
谢谢你。
很遗憾，您的问题的答案是否定的。
Keras 中 LSTM 层的输入形状必须为 (batch_size, timesteps, features)。没有第四维是可能的。
但是，由于您似乎遵循滑动 window 方法，我可以告诉您通常的方法是在批次维度中包含 (# of windows)。在您的情况下，这意味着您的输入形状将变为 (450 * #window, 1080, 3).
然后，对于预测，您只能使用一天的最后 window，不能使用一整天。
请注意，这通常是滑动 window 方法的一个巨大限制。如果一个好的预测需要一整天的数据而不是当天的一个 window，这种方法就不会奏效。
您仍然可以尝试使用不同的 window 尺寸。如果不行，我建议你放弃这种做法，直接使用一天的数据，而不是先分成windows。因此，(450, #(data of a day), 3) 将是您的输入形状。您所听到的是正确的：您可以在 timestep 轴上设置可变长度。为此，您必须在第一层声明input_shape=(None, 3)。
唯一的缺点是您不能将所有数据放在一起作为一个 numpy 数组，因为 numpy 不能处理不同的大小。换句话说，您将需要 450 个形状为 (1, #(data of a day), 3) 的 numpy 数组，而不是一个形状为 (450, #(data of a day), 3) 的 numpy 数组，其中 #(data of a day) 每次都可以不同。不幸的是，model.fit() 不能用于此，因为它期望训练数据是一个单一的 numpy 数组。相反，您可以使用 model.fit_generator 并向其传递一个生成器，该生成器在每次调用时生成这 450 个小数组中的一个。查看 docs 以获取有关如何使用它的示例。请注意，由于 batch_size=1.
，您的训练速度可能会变慢
如果这证明是一个问题，Keras 中的 LSTM 层支持掩蔽。为此，只需使用 Masking 层作为模型中的第一个层，并声明一个值（通常是 0.0，但可以是任何数字）被屏蔽。然后，您可以创建形状为 (batch_size, #max_day_data, 3) 的输入张量，其中所有少于 #max_day_data 数据的日期必须用将被屏蔽的值右填充。
为了进一步阅读，我强烈推荐 关于 LSTM。也许这会激发您尝试不同的方法。特别是使用 stateful 可能是一种选择，以防您一天的数据太多而无法放入您的内存中。
你好，巫师。
我有时间序列数据，包括几天。
我尝试预测明天的等级，范围从 0 到 100。
我假设这个等级取决于 3 个时间序列独立特征。
每一天都是一个单元，都有一个等级，但是每个单元（天）的时间序列数据长度不同。
因为每天都有很多数据长度，所以我每天滚动window，大小为1080，步幅为180。
所以我尝试将其转换为 (# of unit(sample), # of window, windowsize, features).
最后我得到 (450, # window(not fixed), 1080, 3).
450天，每一天的长度window（1080）和特征（3）相同，但windows的数量不同。
我考虑过零填充，但我听说我可以使用具有不同输入长度的动态（？）LSTM。
问题是 Keras LSTM 的输入形状必须是 3 维的。
所以我很困惑我应该如何使这个形状适合 LSTM 模型。
我的目标是，当我将新的一天（# of window, 1080, 3）放入 LSTM 模型时，我希望它预测成绩。
你能给我什么建议或建议吗？ 谢谢你。
很遗憾，您的问题的答案是否定的。
Keras 中 LSTM 层的输入形状必须为 (batch_size, timesteps, features)。没有第四维是可能的。
但是，由于您似乎遵循滑动 window 方法，我可以告诉您通常的方法是在批次维度中包含 (# of windows)。在您的情况下，这意味着您的输入形状将变为 (450 * #window, 1080, 3).
然后，对于预测，您只能使用一天的最后 window，不能使用一整天。
请注意，这通常是滑动 window 方法的一个巨大限制。如果一个好的预测需要一整天的数据而不是当天的一个 window，这种方法就不会奏效。
您仍然可以尝试使用不同的 window 尺寸。如果不行，我建议你放弃这种做法，直接使用一天的数据，而不是先分成windows。因此，(450, #(data of a day), 3) 将是您的输入形状。您所听到的是正确的：您可以在 timestep 轴上设置可变长度。为此，您必须在第一层声明input_shape=(None, 3)。
唯一的缺点是您不能将所有数据放在一起作为一个 numpy 数组，因为 numpy 不能处理不同的大小。换句话说，您将需要 450 个形状为 (1, #(data of a day), 3) 的 numpy 数组，而不是一个形状为 (450, #(data of a day), 3) 的 numpy 数组，其中 #(data of a day) 每次都可以不同。不幸的是，model.fit() 不能用于此，因为它期望训练数据是一个单一的 numpy 数组。相反，您可以使用 model.fit_generator 并向其传递一个生成器，该生成器在每次调用时生成这 450 个小数组中的一个。查看 docs 以获取有关如何使用它的示例。请注意，由于 batch_size=1.
如果这证明是一个问题，Keras 中的 LSTM 层支持掩蔽。为此，只需使用 Masking 层作为模型中的第一个层，并声明一个值（通常是 0.0，但可以是任何数字）被屏蔽。然后，您可以创建形状为 (batch_size, #max_day_data, 3) 的输入张量，其中所有少于 #max_day_data 数据的日期必须用将被屏蔽的值右填充。
为了进一步阅读，我强烈推荐 stateful 可能是一种选择，以防您一天的数据太多而无法放入您的内存中。