为什么用于预测的Keras LSTM批量大小必须与拟合批量大小相同？

Question

当使用Keras LSTM预测时间序列数据时,当我尝试使用批量大小为50训练模型时,我一直在收到错误,然后尝试使用批量大小为1(即批量大小)进行预测只是预测下一个值).

为什么我无法同时训练和匹配多个批次的模型,然后使用该模型预测除了相同批次大小之外的任何其他内容.它似乎没有意义,但后来我很容易就会遗漏一些关于此的东西.

编辑:这是模型. batch_size是50,sl是序列长度,目前设置为20.

    model = Sequential()
    model.add(LSTM(1, batch_input_shape=(batch_size, 1, sl), stateful=True))
    model.add(Dense(1))
    model.compile(loss='mean_squared_error', optimizer='adam')
    model.fit(trainX, trainY, epochs=epochs, batch_size=batch_size, verbose=2)

这是预测RMSE训练集的线

    # make predictions
    trainPredict = model.predict(trainX, batch_size=batch_size)

这是对看不见的时间步骤的实际预测

for i in range(test_len):
    print('Prediction %s: ' % str(pred_count))

    next_pred_res = np.reshape(next_pred, (next_pred.shape[1], 1, next_pred.shape[0]))
    # make predictions
    forecastPredict = model.predict(next_pred_res, batch_size=1)
    forecastPredictInv = scaler.inverse_transform(forecastPredict)
    forecasts.append(forecastPredictInv)
    next_pred = next_pred[1:]
    next_pred = np.concatenate([next_pred, forecastPredict])

    pred_count += 1

这个问题与行:

forecastPredict = model.predict(next_pred_res, batch_size=batch_size)

batch_size此处设置为1时的错误是:

ValueError: Cannot feed value of shape (1, 1, 2) for Tensor 'lstm_1_input:0', which has shape '(10, 1, 2)'这是与batch_size其他批量大小一样设置为50 时抛出的相同错误.

总误差是:

    forecastPredict = model.predict(next_pred_res, batch_size=1)
  File "/home/entelechy/tf_keras/lib/python3.5/site-packages/keras/models.py", line 899, in predict
    return self.model.predict(x, batch_size=batch_size, verbose=verbose)
  File "/home/entelechy/tf_keras/lib/python3.5/site-packages/keras/engine/training.py", line 1573, in predict
    batch_size=batch_size, verbose=verbose)
   File "/home/entelechy/tf_keras/lib/python3.5/site-packages/keras/engine/training.py", line 1203, in _predict_loop
    batch_outs = f(ins_batch)
  File "/home/entelechy/tf_keras/lib/python3.5/site-packages/keras/backend/tensorflow_backend.py", line 2103, in __call__
    feed_dict=feed_dict)
  File "/home/entelechy/tf_keras/lib/python3.5/site-packages/tensorflow/python/client/session.py", line 767, in run
    run_metadata_ptr)
  File "/home/entelechy/tf_keras/lib/python3.5/site-packages/tensorflow/python/client/session.py", line 944, in _run
    % (np_val.shape, subfeed_t.name, str(subfeed_t.get_shape())))
ValueError: Cannot feed value of shape (1, 1, 2) for Tensor 'lstm_1_input:0', which has shape '(10, 1, 2)'

编辑:一旦我将模型设置为stateful=False然后我就可以使用不同的批量大小进行拟合/训练和预测.这是什么原因？

Answer 1

不幸的是,你想要做的事情对Keras来说是不可能的......我也在这个问题上花费了很多时间,唯一的方法就是潜入兔子洞并与Tensorflow直接合作进行LSTM滚动预测.

首先,要明确术语,batch_size通常意味着一起训练的序列数量,并且num_steps意味着一起训练多少时间步骤.当你的意思是batch_size=1"只是预测下一个价值"时,我认为你的意思是预测num_steps=1.

否则,应该可以训练和预测batch_size=50你正在训练50个序列并且每个时间步进行50个预测,每个序列一个(意味着训练/预测num_steps=1).

但是,我认为你的意思是你想使用有状态LSTM进行训练num_steps=50并进行预测num_steps=1.从理论上讲,这可以使感觉成为可能,并且Tensorflow可以实现,而不是Keras.

问题:Keras需要有状态RNN的显式批量大小.您必须指定batch_input_shape(batch_size,num_steps,features).

原因是:Keras必须在计算图中使用shape(batch_size,num_units)分配固定大小的隐藏状态向量,以便在训练批次之间保留值.另一方面,当stateful=False隐藏状态向量可以在每批开始时用零动态初始化,因此它不需要是固定大小.更多细节在这里:http://philipperemy.github.io/keras-stateful-lstm/

可能的解决方法:训练和预测num_steps=1.示例:https://github.com/keras-team/keras/blob/master/examples/lstm_stateful.py.对于您的问题,这可能会或可能根本不起作用,因为反向传播的梯度将仅在一个时间步上计算.请参阅:https://github.com/fchollet/keras/issues/3669

我的解决方案:使用Tensorflow:在Tensorflow中你可以训练batch_size=50, num_steps=100,然后做预测batch_size=1, num_steps=1.这可以通过为训练和预测共享相同的RNN权重矩阵创建不同的模型图来实现.请参阅此示例以了解下一个字符预测:https://github.com/sherjilozair/char-rnn-tensorflow/blob/master/model.py#L11和博客文章http://karpathy.github.io/2015/05/21/rnn-effectiveness /.请注意,一个图仍然只能使用一个指定的图batch_size,但您可以在Tensorflow中设置多个共享权重的模型图.

Answer 2

可悲的是,你所希望的是不可能的,因为你在定义模型时指定了batch_size ......但是,我找到了解决这个问题的简单方法:创建2个模型!第一个用于训练,第二个用于预测,并让它们共享权重:

train_model = Sequential([Input(batch_input_shape=(batch_size,...),
<continue specifying your model>])

predict_model = Sequential([Input(batch_input_shape=(1,...),
<continue specifying exact same model>])

train_model.compile(loss='sparse_categorical_crossentropy', optimizer=Adam())
predict_model.compile(loss='sparse_categorical_crossentropy', optimizer=Adam())

现在,您可以使用任何所需的批量大小.在你的train_model适合之后,只需保存它的权重并使用predict_model加载它们:

train_model.save_weights('lstm_model.h5')
predict_model.load_weights('lstm_model.h5')

注意你只想保存和加载权重,而不是整个模型(包括架构,优化器等......).这样你就可以获得权重,但你可以一次输入一批...更多关于keras保存/加载模型:https: //keras.io/getting-started/faq/#how-can-i-save-a -keras模型

请注意,您需要安装h5py才能使用"保存权重".

Answer 3

解决这个问题的最佳方法是“复制权重”。如果您想使用不同批量大小的 LSTM 模型进行训练和预测，它会非常有帮助。

例如，一旦您使用“n”批量大小训练了模型，如下所示：

# configure network
n_batch = len(X)
n_epoch = 1000
n_neurons = 10
# design network
model = Sequential()
model.add(LSTM(n_neurons, batch_input_shape=(n_batch, X.shape[1], X.shape[2]), stateful=True))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')

现在您希望预测值小于批量大小，其中 n=1。

您可以做的是，复制拟合模型的权重，并重新初始化具有相同架构的新模型 LSTM 模型，并将批量大小设置为 1。

# re-define the batch size
n_batch = 1
# re-define model
new_model = Sequential()
new_model.add(LSTM(n_neurons, batch_input_shape=(n_batch, X.shape[1], X.shape[2]),       stateful=True))
new_model.add(Dense(1))
# copy weights
old_weights = model.get_weights()
new_model.set_weights(old_weights)

现在，您可以轻松预测和训练具有不同批量大小的 LSTM。

欲了解更多信息，请阅读：https://machinelearningmastery.com/use- Different-batch-sizes-training-predicting-python-keras/

Answer 4

另一个简单的解决方法是：

def create_model(batch_size):
    model = Sequential()
    model.add(LSTM(1, batch_input_shape=(batch_size, 1, sl), stateful=True))
    model.add(Dense(1))
    return model

model_train = create_model(batch_size=50)

model_train.compile(loss='mean_squared_error', optimizer='adam')
model_train.fit(trainX, trainY, epochs=epochs, batch_size=batch_size)

model_predict = create_model(batch_size=1)

weights = model_train.get_weights()
model_predict.set_weights(weights)