Изменение формы данных временного ряда с несколькими функциями для RNN - PullRequest
Новая
       16

Изменение формы данных временного ряда с несколькими функциями для RNN

0 голосов
/ 06 апреля 2019

У меня есть набор данных временного ряда с 3 переменными измерения и около 2000 выборок. Я хочу классифицировать образцы в 1 из 4 категорий с использованием модели RNN или 1D CNN с использованием Keras в R. Моя проблема заключается в том, что я не могу успешно изменить форму модели k_reshape().

Я следую по гл. 6 из Deep Learning with R от Chollet & Allaire, но их примеры не достаточно отличаются от моего набора данных, который я сейчас запутал. Я пытался имитировать код из этой главы книги, но безрезультатно. Вот ссылка на исходный код главы. 

library(keras)

df <- data.frame()
for (i in c(1:20)) {
    time <- c(1:100)
    var1 <- runif(100)
    var2 <- runif(100)
    var3 <- runif(100)
    run <- data.frame(time, var1, var2, var3)
    run$sample <- i
    run$class <- sample(c(1:4), 1)
    df <- rbind(df, run)
}

head(df)

# time  feature1  feature2     feature3 sample class
#     1 0.4168828 0.1152874 0.0004415961      1     4
#     2 0.7872770 0.2869975 0.8809415097      1     4
#     3 0.7361959 0.5528836 0.7201276931      1     4
#     4 0.6991283 0.1019354 0.8873193581      1     4
#     5 0.8900918 0.6512922 0.3656302236      1     4
#     6 0.6262068 0.1773450 0.3722923032      1     4

k_reshape(df, shape(10, 100, 3))

# Error in py_call_impl(callable, dots$args, dots$keywords) : 
#   TypeError: Failed to convert object of type <class 'dict'> to Tensor. Contents: {'time': [1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99, 100, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 32, 33, 34, 35, 36, 37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47, 48, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99, 100, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 3

Я очень плохо знаком с изменением формы массивов, но мне бы хотелось иметь массив с формой: (samples, time, features). Я хотел бы услышать предложения о том, как правильно изменить форму этого массива, или рекомендации о том, как эти данные следует обрабатывать для модели DL, если я не согласен с этим.

1 Ответ

0 голосов
/ 09 апреля 2019

Я нашел два решения моего вопроса. Моя путаница возникла из сообщения об ошибке от k_reshape, что я не понимал, как интерпретировать.

  1. Используйте функцию array_reshape() из сетчатой ​​упаковки.
  2. Используйте функцию k_reshape() из керас, но на этот раз используйте соответствующую форму.

Вот код, который я успешно выполнил: 

# generate data frame
dat <- data.frame()
for (i in c(1:20)) {
        time <- c(1:100)
        var1 <- runif(100)
        var2 <- runif(100)
        var3 <- runif(100)
        run <- data.frame(time, var1, var2, var3)
        run$sample <- i
        run$class <- sample(c(1:4), 1)
        dat <- rbind(df, run)
}

dat_m <- as.matrix(df) # convert data frame to matrix

# time  feature1  feature2     feature3 sample class
#     1 0.4168828 0.1152874 0.0004415961      1     4
#     2 0.7872770 0.2869975 0.8809415097      1     4
#     3 0.7361959 0.5528836 0.7201276931      1     4
#     4 0.6991283 0.1019354 0.8873193581      1     4
#     5 0.8900918 0.6512922 0.3656302236      1     4
#     6 0.6262068 0.1773450 0.3722923032      1     4

# solution with reticulate's array_reshape function
dat_array <- reticulate::array_reshape(x = dat_m[,c(2:4)], dim = c(20, 100, 3))

dim(dat_array)
# [1]  20 100   3

class(dat_array)

# [1] "array"


# solution with keras's k_reshape
dat_array_2 <- keras::k_reshape(x = dat_m[,c(2:4)], shape = c(20, 100, 3))

dim(dat_array)
# [1]  20 100   3

class(dat_array)

# [1]  20 100   3

class(dat_array_2)

# [1] "tensorflow.tensor"  "tensorflow.python.framework.ops.Tensor"     
# [3] "tensorflow.python.framework.ops._TensorLike" "python.builtin.object"

Несколько заметок:

  • Концептуально, это изменение формы имеет больше смысла для меня как приведения или распространения данных на языке R.
  • Вывод array_reshape является классом массива, но k_reshape() выводит тензорный объект тензорного потока. Оба работали для меня в созданных сетях глубокого обучения, но я нахожу класс массива гораздо более понятным.
...