python – keras有状态LSTM

2019年7月28日 202次阅读

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.

点赞