Короткие ответы:
Почему разрешена только одна цель на партию (я знаю, что есть некоторые обходные пути, но должна быть причина)?
Это совсем не так. Нет ограничений на количество целевых образцов в партии. Единственное требование - чтобы вы имели одинаковое количество входных и выходных выборок в каждой партии. Прочитайте длинный ответ для уточнения.
Как я могу понять расчет одной партии? То есть, как обрабатывается какой-то ввод, такой как [[[40,
45], [50, 55]]] => [[60, 65]], и почему он не аналогичен [[[40, 45, 50, 55]]] => [[60, 65]]?
Первый - это многовариантный временной ряд (т. Е. Каждый временной шаг имеет более одного признака), а второй - однофакторный временный ряд (т. Е. Каждый временной шаг имеет одну особенность). Так что они не эквивалентны. Прочитайте длинный ответ для уточнения.
Длинный ответ:
Я дам ответ, который я упомянул в разделе комментариев, и постараюсь уточнить его, используя примеры:
Я думаю, что вы смешиваете образцы, временные шаги, функции и цели. Позвольте мне описать, как я это понимаю: в первом примере, который вы предоставили, кажется, что каждая входная выборка состоит из 2 временных шагов, например [10, 15] и [20, 25], где каждый временной шаг состоит из двух функций, например 10 и 15 или 20 и 25. Кроме того, соответствующая цель состоит из одного временного шага, например, [30, 35], который также имеет две функции. Другими словами, каждая входная выборка в пакете должна иметь соответствующую цель. Однако форма каждого входного сэмпла и соответствующей ему цели может не совпадать.
Например, рассмотрим модель, в которой и ее вход, и выход являются временными рядами. Если мы обозначим форму каждой входной выборки как (input_num_timesteps, input_num_features), а форму каждого целевого (т.е. выходного) массива как (output_num_timesteps, output_num_features), мы получим следующие случаи:
1) Количество входных и выходных временных интервалов одинаково (т. Е. input_num_timesteps == output_num_timesteps). В качестве примера, следующая модель может достичь этого:
from keras import layers
from keras import models
inp = layers.Input(shape=(input_num_timesteps, input_num_features))
# a stack of RNN layers on top of each other (this is optional)
x = layers.LSTM(..., return_sequences=True)(inp)
# ...
x = layers.LSTM(..., return_sequences=True)(x)
# a final RNN layer that has `output_num_features` unit
out = layers.LSTM(output_num_features, return_sequneces=True)(x)
model = models.Model(inp, out)
2) Количество входных и выходных временных шагов различно (т.е. input_num_timesteps ~= output_num_timesteps). Обычно это достигается путем сначала кодирования входных временных рядов в вектор с использованием стека из одного или нескольких слоев LSTM, а затем повторение этого вектора output_num_timesteps раз для получения временных рядов желаемой длины. Для повторной операции мы можем легко использовать слой RepeatVector в Керасе. Опять же, в качестве примера, следующая модель может достичь этого:
from keras import layers
from keras import models
inp = layers.Input(shape=(input_num_timesteps, input_num_features))
# a stack of RNN layers on top of each other (this is optional)
x = layers.LSTM(..., return_sequences=True)(inp)
# ...
x = layers.LSTM(...)(x) # The last layer ONLY returns the last output of RNN (i.e. return_sequences=False)
# repeat `x` as needed (i.e. as the number of timesteps in output timseries)
x = layers.RepeatVector(output_num_timesteps)(x)
# a stack of RNN layers on top of each other (this is optional)
x = layers.LSTM(..., return_sequences=True)(x)
# ...
out = layers.LSTM(output_num_features, return_sequneces=True)(x)
model = models.Model(inp, out)
В особом случае, если количество выходных временных шагов равно 1 (например, сеть пытается предсказать следующий временной шаг с учетом последних t временных шагов), нам может не понадобиться повторение, и вместо этого мы можем просто использовать Слой Dense (в этом случае выходная форма модели будет (None, output_num_features), а не (None, 1, output_num_features)):
inp = layers.Input(shape=(input_num_timesteps, input_num_features))
# a stack of RNN layers on top of each other (this is optional)
x = layers.LSTM(..., return_sequences=True)(inp)
# ...
x = layers.LSTM(...)(x) # The last layer ONLY returns the last output of RNN (i.e. return_sequences=False)
out = layers.Dense(output_num_features, activation=...)(x)
model = models.Model(inp, out)
Обратите внимание, что представленные выше архитектуры приведены только для иллюстрации, и вам может понадобиться настроить или адаптировать их, например, добавив больше слоев, таких как Dense layer, в зависимости от вашего варианта использования и проблемы, которую вы пытаетесь решить.
Обновление: Проблема в том, что вы не уделяете достаточного внимания при чтении моих комментариев и ответов, а также об ошибке, выдвинутой Keras. Ошибка ясно гласит, что:
... Найдено 1 входных и 2 целевых образца.
Итак, после прочтения этого внимательно, на вашем месте я бы сказал себе: «Хорошо, Керас считает, что у входной партии есть 1 входная выборка, но я думаю, что я предоставляю две выборки !! Так как я очень хороший Человек (!), я думаю, что очень вероятно, что я буду неправ, чем Керас, так что давайте выясним, что я делаю неправильно! ». Простая и быстрая проверка - просто проверить форму входного массива:
>>> np.array([[[0, 1, 2, 3, 4],
[5, 6, 7, 8, 9]]]).shape
(1,2,5)
"О, это говорит (1,2,5)! Так что это означает один сэмпл, который имеет два временных шагов и каждый временной шаг имеет пять функций !!! Так что я ошибался, полагая, что этомассив состоит из двух выборок длиной 5, где каждый временной шаг имеет длину 1 !! Так что мне теперь делать ??? "Ну, вы можете это исправить, шаг за шагом:
# step 1: I want a numpy array
s1 = np.array([])
# step 2: I want it to have two samples
s2 = np.array([
[],
[]
])
# step 3: I want each sample to have 5 timesteps of length 1 in them
s3 = np.array([
[
[0], [1], [2], [3], [4]
],
[
[5], [6], [7], [8], [9]
]
])
>>> s3.shape
(2, 5, 1)
Вуаля!Мы сделали это!Это был входной массив;Теперь проверьте целевой массив, он должен иметь две целевые выборки длиной 5 с каждой особенностью, т.е. иметь форму (2, 5, 1):
>>> np.array([[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]]).shape
(2,5)
Почти!Последнее измерение (т. Е. 1) отсутствует ( ПРИМЕЧАНИЕ: в зависимости от архитектуры вашей модели вам может понадобиться или не потребоваться эта последняя ось).Таким образом, мы можем использовать пошаговый подход, описанный выше, чтобы найти свою ошибку, или же мы можем быть немного умнее и просто добавить ось в конец:
>>> t = np.array([[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
>>> t = np.expand_dims(t, axis=-1)
>>> t.shape
(2, 5, 1)
Извините, я не могу объяснитьэто лучше чем это!Но в любом случае, когда вы видите, что что-то (то есть форма входных / целевых массивов) повторяется снова и снова в моих комментариях и моем ответе, предположите, что это должно быть что-то важное и должно быть проверено.