具有不同时间步长的 RNN 的 Keras 掩蔽

Question

我正在尝试使用具有不同时间长度的序列在 Keras 中拟合 RNN。我的数据位于格式为 (sample, time, feature) = (20631, max_time, 24) 的 Numpy 数组中，其中 max_time 在运行时间确定为具有最多时间戳的样本可用的时间步数。我用 0 填充了每个时间序列的开头，显然，最长的除外。

我最初是这样定义我的模型的...

model = Sequential()
model.add(Masking(mask_value=0., input_shape=(max_time, 24)))
model.add(LSTM(100, input_dim=24))
model.add(Dense(2))
model.add(Activation(activate))
model.compile(loss=weibull_loglik_discrete, optimizer=RMSprop(lr=.01))
model.fit(train_x, train_y, nb_epoch=100, batch_size=1000, verbose=2, validation_data=(test_x, test_y))

为了完整起见，这里是损失函数的代码：

def weibull_loglik_discrete(y_true, ab_pred, name=None):
    y_ = y_true[:, 0]
    u_ = y_true[:, 1]
    a_ = ab_pred[:, 0]
    b_ = ab_pred[:, 1]

    hazard0 = k.pow((y_ + 1e-35) / a_, b_)
    hazard1 = k.pow((y_ + 1) / a_, b_)

    return -1 * k.mean(u_ * k.log(k.exp(hazard1 - hazard0) - 1.0) - hazard1)

这里是自定义激活函数的代码：

def activate(ab):
    a = k.exp(ab[:, 0])
    b = k.softplus(ab[:, 1])

    a = k.reshape(a, (k.shape(a)[0], 1))
    b = k.reshape(b, (k.shape(b)[0], 1))

    return k.concatenate((a, b), axis=1)

当我拟合模型并做出一些测试预测时，测试集中的每个样本都得到完全相同的预测，这看起来很可疑。

如果我移除遮蔽层，情况会好转，这让我觉得遮蔽层有问题，但据我所知，我完全按照文档进行操作。

掩蔽层是否有错误指定？我还漏掉了什么吗？

Answer 1

没有实际数据我无法验证，但我对 RNN 有类似的经历。在我的例子中，规范化解决了这个问题。为您的模型添加规范化层。

Answer 2

您实现屏蔽的方式应该是正确的。如果您有形状为 (samples, timesteps, features) 的数据，并且您想要使用与 features 参数大小相同的零掩码来掩盖缺少数据的时间步，那么您添加 Masking(mask_value=0., input_shape=(timesteps, features))。看这里：keras.io/layers/core/#masking

您的模型可能过于简单，and/or 您的迭代次数可能不足以让模型区分所有类。试试这个模型：

model = Sequential()
model.add(Masking(mask_value=0., input_shape=(max_time, 24)))
model.add(LSTM(256, input_dim=24))
model.add(Dense(1024))
model.add(Dense(2))
model.add(Activation(activate))
model.compile(loss=weibull_loglik_discrete, optimizer=RMSprop(lr=.01))
model.fit(train_x, train_y, nb_epoch=100, batch_size=1000, verbose=2, validation_data=(test_x, test_y))

如果这不起作用，请尝试将历元数加倍几次（例如 200、400），看看是否能改善结果。

具有不同时间步长的 RNN 的 Keras 掩蔽

Keras Masking for RNN with Varying Time Steps

python

numpy

neural-network

keras

recurrent-neural-network