[machine-learning] Keras의 다 대일 및 다 대다 LSTM 예제

Program / 글쓴이

LSTM과 Keras를 사용하여 구축하는 방법을 이해하려고합니다. RNN을 실행하는 데 주로 4 가지 모드가 있다는 것을 알아 냈습니다 (사진에서 올바른 4 가지 모드).

여기에 이미지 설명 입력
이미지 출처 : Andrej Karpathy

이제 Keras에서 각각에 대한 최소한의 코드 조각이 어떻게 생겼는지 궁금합니다. 그래서 뭔가

model = Sequential()
model.add(LSTM(128, input_shape=(timesteps, data_dim)))
model.add(Dense(1))

4 가지 작업 각각에 대해 약간의 설명이있을 수 있습니다.

답변

그래서:

  1. 일대일 : Dense시퀀스를 처리하지 않으므로 레이어를 사용할 수 있습니다 .

    model.add(Dense(output_size, input_shape=input_shape))

  2. 일대 다 :이 옵션은 지원되지 않으며에서 모델을 연결하는 것이 그리 쉽지 Keras않으므로 다음 버전이 가장 쉬운 버전입니다.

    model.add(RepeatVector(number_of_times, input_shape=input_shape))
model.add(LSTM(output_size, return_sequences=True))

  3. 다 대일 : 실제로 코드 조각은 (거의)이 접근 방식의 예입니다.

    model = Sequential()
model.add(LSTM(1, input_shape=(timesteps, data_dim)))

  4. 다 대다 : 입력 및 출력의 길이가 반복 단계 수와 일치 할 때 가장 쉬운 스 니펫입니다.

    model = Sequential()
model.add(LSTM(1, input_shape=(timesteps, data_dim), return_sequences=True))

  5. 단계 수가 입력 / 출력 길이와 다를 때 다 대다 : 이것은 Keras에서 매우 어렵습니다. 이를 코딩하는 쉬운 코드 조각은 없습니다.

수정 : 광고 5

최근 애플리케이션 중 하나에서 우리 는 4 번째 이미지의 다 대다 와 유사한 것을 구현했습니다 . 다음 아키텍처의 네트워크를 원할 경우 (입력이 출력보다 긴 경우) :

                                        O O O
                                        | | |
                                  O O O O O O
                                  | | | | | |
                                  O O O O O O

다음과 같은 방법으로이 작업을 수행 할 수 있습니다.

    model = Sequential()
    model.add(LSTM(1, input_shape=(timesteps, data_dim), return_sequences=True))
    model.add(Lambda(lambda x: x[:, -N:, :]

N다룰 마지막 단계의 수는 어디에 있습니까 (이미지에서 N = 3).

이 시점부터 :

                                        O O O
                                        | | |
                                  O O O O O O
                                  | | |
                                  O O O

적절한 크기로 조정하기 위해 N예를 들어 0벡터 와 함께 사용 하는 길이의 인위적인 패딩 시퀀스만큼 간단 합니다.

답변

@Marcin Możejko의 훌륭한 답변

나는 것 NR.5에 다음을 추가 (길이에서 / 다른에 많은 많은) :

A) 바닐라 LSTM

model = Sequential()
model.add(LSTM(N_BLOCKS, input_shape=(N_INPUTS, N_FEATURES)))
model.add(Dense(N_OUTPUTS))

B) 인코더-디코더 LSTM

model.add(LSTM(N_BLOCKS, input_shape=(N_INPUTS, N_FEATURES))
model.add(RepeatVector(N_OUTPUTS))
model.add(LSTM(N_BLOCKS, return_sequences=True))
model.add(TimeDistributed(Dense(1)))
model.add(Activation('linear'))

답변