LSTM张量形状和超参数Tensorflow

我正在学习如何使用LSTM RNN。我看到了本教程：https://www.youtube.com/watch?v=SeffmcG42SY& 之后，我尝试应用所学知识并更改数据集。问题是，我有点失去了所有的重塑，我真的不知道如何使用它们，为什么他们在这里... 我的数据集有7列和546行。这里是我的超参数LSTM张量形状和超参数Tensorflow

# hyperparameters 
lr = 0.001 
training_iters = 100000 
batch_size = 64 

n_inputs = 7 # columns 
n_steps = 546 # rows 
n_hidden_units = 128 # neurons in hidden layer 
n_classes = 1 # class

当我启动我的会议，它看起来像这样：

with tf.Session() as sess: 
    init = tf.global_variables_initializer() 
    sess.run(init) 
    step = 0 
    while step * batch_size < training_iters: 
     batch_xs, batch_ys = inputX, inputY 
     batch_xs = batch_xs.reshape([batch_size, n_steps, n_inputs]) 
     sess.run([train_op], feed_dict={ 
      x: batch_xs, 
      y: batch_ys, 
     }) 
     if step % 20 == 0: 
      print(sess.run(accuracy, feed_dict={ 
      x: batch_xs, 
      y: batch_ys, 
      })) 
     step += 1

然后，我有一个错误消息

“不能重塑尺寸3822型数组形状（64,546,7）“

如果有人能解释我该如何工作和/或如何解决问题，那将非常棒！

谢谢

来源

2017-07-03 K. Paris

为什么不打印张量形状以查看它们的尺寸？ –

输入应该是'[batch_size，time_steps，sample_dim]'。在你的数据集中，我假设每一行都有一个长度为7的序列数据。因此，选择N行将是你的'batch_size'，'time_steps'是7，如果它的'one-hot'编码向量是'sample_dim'， –

那么，我的批量大小是x：（546,7）和y：（546,1）。我的功能不是很热，所以如果我明白了，我不会有一个样本暗淡的参数？ –

LSTM单元具有输入与所述LSTM细胞被展开随时间的一个序列的不同的输入。而且由于我们使用批量学习算法，我们需要提供一批输入。因此，tesorflow中的LSTM输入具有形状（batch_size X时间步骤来展开X输入大小）。

在你的情况

的batch_size = 64
倍步骤展开= 546
输入大小= 7

基地，你的输入是如何（你是怎么做到的特征提取），您将不得不将其重塑为64 X 546 X 7（== 244608），如果您的输入尺寸是3822，那么这将导致失败

考虑从序列到序列预测的LSTM（一对一模型）。例如，假设你有一个句子列表（让我们说S句子）。假设你在每个句子中都有W字。现在您要预测每个句子中每个单词的词性标签。假设您将每个单词表示为一个热门编码，并且词汇大小为V.因此，热点编码矢量的大小将为V.

现在，您的LSTM模型输入形状将为（批量大小XWXV），其中批量大小是< < S，通常是32或64.

来源

2017-08-15 17:22:37 mujjiga

感谢您的回应，我现在更了解这一点！ –

LSTM张量形状和超参数Tensorflow

回答

相关问题