请考虑这个简单的例子
nb_samples = 100000
X = np.random.randn(nb_samples)
Y = X[1:]
X = X[:-1]
X = X.reshape((len(Y), 1, 1))
Y = Y.reshape((len(Y), 1))
所以基本上我们有
Y[i] = X[i-1]
而模型只是一个滞后运算符.
我可以用无状态LSTM学习这个模型,但我想在这里理解并应用Keras中的有状态LSTM.
所以我尝试通过一个有状态的LSTM来学习这个模型,通过逐个给出值对(x,y)(batch_size = 1)
model = Sequential()
model.add(LSTM(batch_input_shape=(1, 1, 1),
output_dim =10,
activation='tanh', stateful=True
)
)
model.add(Dense(output_dim=1, activation='linear'))
model.compile(loss='mse', optimizer='adam')
for epoch in range(50):
model.fit(X_train,
Y_train,
nb_epoch = 1,
verbose = 2,
batch_size = 1,
shuffle = False)
model.reset_states()
但该模型没有学到任何东西.
根据Marcin的建议,我修改了训练代码如下:
for epoch in range(10000):
model.reset_states()
train_loss = 0
for i in range(Y_train.shape[0]):
train_loss += model.train_on_batch(X_train[i:i+1],
Y_train[i:i+1],
)
print '# epoch', epoch, ' loss ', train_loss/float(Y_train.shape[0])
但我仍然看到1左右的平均损失,这是我随机生成的数据的标准偏差,所以模型似乎没有学习.
我有什么不对吗?
最佳答案 正如您可能阅读
here,即使您的模型状态由于您的网络状态而没有重置 – 优化器的参数是 – 并且由于优化器在循环神经网络训练中非常重要 – 重置它们的状态可能是非常有害的为了你的训练.为了防止尝试:
for epoch in range(50):
model.train_on_batch(X_train,
Y_train)
model.reset_states()
train_on_batch方法不会重置您的优化程序状态可以使您的培训成为可能.