理解R中rnn模型的Keras预测输出

Question

我正在通过本教程预测温度来尝试R中的Keras软件包.但是,本教程没有解释如何使用训练有素的RNN模型进行预测,我想知道如何做到这一点.为了训练模型,我使用了从教程中复制的以下代码:

dir.create("~/Downloads/jena_climate", recursive = TRUE)
download.file(
    "https://s3.amazonaws.com/keras-datasets/jena_climate_2009_2016.csv.zip",
      "~/Downloads/jena_climate/jena_climate_2009_2016.csv.zip"
    )
unzip(
  "~/Downloads/jena_climate/jena_climate_2009_2016.csv.zip",
  exdir = "~/Downloads/jena_climate"
)

library(readr)
data_dir <- "~/Downloads/jena_climate"
fname <- file.path(data_dir, "jena_climate_2009_2016.csv")
data <- read_csv(fname)

data <- data.matrix(data[,-1])

train_data <- data[1:200000,]
mean <- apply(train_data, 2, mean)
std <- apply(train_data, 2, sd)
data <- scale(data, center = mean, scale = std)

generator <- function(data, lookback, delay, min_index, max_index,
                      shuffle = FALSE, batch_size = 128, step = 6) {
  if (is.null(max_index))
    max_index <- nrow(data) - delay - 1
  i <- min_index + lookback
  function() {
    if (shuffle) {
      rows <- sample(c((min_index+lookback):max_index), size = batch_size)
    } else {
      if (i + batch_size >= max_index)
        i <<- min_index + lookback
      rows <- c(i:min(i+batch_size, max_index))
      i <<- i + length(rows)
    }

    samples <- array(0, dim = c(length(rows), 
                                lookback / step,
                                dim(data)[[-1]]))
    targets <- array(0, dim = c(length(rows)))

    for (j in 1:length(rows)) {
      indices <- seq(rows[[j]] - lookback, rows[[j]], 
                     length.out = dim(samples)[[2]])
      samples[j,,] <- data[indices,]
      targets[[j]] <- data[rows[[j]] + delay,2]
    }            

    list(samples, targets)
  }
}

lookback <- 1440
step <- 6
delay <- 144
batch_size <- 128

train_gen <- generator(
  data,
  lookback = lookback,
  delay = delay,
  min_index = 1,
  max_index = 200000,
  shuffle = TRUE,
  step = step, 
  batch_size = batch_size
)

val_gen = generator(
  data,
  lookback = lookback,
  delay = delay,
  min_index = 200001,
  max_index = 300000,
  step = step,
  batch_size = batch_size
)

test_gen <- generator(
  data,
  lookback = lookback,
  delay = delay,
  min_index = 300001,
  max_index = NULL,
  step = step,
  batch_size = batch_size
)

# How many steps to draw from val_gen in order to see the entire validation set
val_steps <- (300000 - 200001 - lookback) / batch_size

# How many steps to draw from test_gen in order to see the entire test set
test_steps <- (nrow(data) - 300001 - lookback) / batch_size

library(keras)

model <- keras_model_sequential() %>% 
  layer_flatten(input_shape = c(lookback / step, dim(data)[-1])) %>% 
  layer_dense(units = 32, activation = "relu") %>% 
  layer_dense(units = 1)

model %>% compile(
  optimizer = optimizer_rmsprop(),
  loss = "mae"
)

history <- model %>% fit_generator(
  train_gen,
  steps_per_epoch = 500,
  epochs = 20,
  validation_data = val_gen,
  validation_steps = val_steps
)

我试着用下面的代码预测温度.如果我是正确的,这应该给我每批的标准化预测温度.因此,当我对值进行非规范化并对它们求平均值时,我会得到预测的温度.这是正确的,如果是,那么预测的时间(最近的观察时间+ delay？)？

prediction.set <- test_gen()[[1]]
prediction <- predict(model, prediction.set)

另外,正确的使用方法keras::predict_generator()和test_gen()功能是什么？如果我使用以下代码:

model %>% predict_generator(generator = test_gen,
                            steps = test_steps)

它给出了这个错误:

error in py_call_impl(callable, dots$args, dots$keywords) : 
 ValueError: Error when checking model input: the list of Numpy
 arrays that you are passing to your model is not the size the model expected. 
 Expected to see 1 array(s), but instead got the following list of 2 arrays: 
 [array([[[ 0.50394005,  0.6441838 ,  0.5990761 , ...,  0.22060473,
          0.2018686 , -1.7336458 ],
        [ 0.5475698 ,  0.63853574,  0.5890239 , ..., -0.45618412,
         -0.45030192, -1.724062...

Answer 1

注意：我对R的语法非常了解，因此很遗憾，我无法使用R给您答案。相反，我在答案中使用Python。希望您能轻易将至少我的话翻译回R。

...如果我是正确的，这应该给我每批的标准化温度。

是的，这是正确的。因为您已经使用标准化标签训练了预测，所以预测将被标准化：

data <- scale(data, center = mean, scale = std)

因此，您需要使用计算出的均值和std对值进行归一化以找到真实的预测：

pred = model.predict(test_data)
denorm_pred = pred * std + mean

...然后预测哪个时间（最新观察时间+延迟？）

那就对了。具体而言，由于在此特定数据集中每10分钟记录一次新的观测值，并且已进行设置delay=144，因此这意味着预测值是距上次给定观测值前24小时的温度（即144 * 10 = 1440分钟= 24小时） 。

另外，正确的使用方法keras::predict_generator()和test_gen()功能是什么？

predict_generator采用一个仅提供测试样本而不提供标签的生成器作为输出（因为在执行预测时我们不需要标签；在训练（即fit_generator()，以及评估模型时，即evaluate_generator()）时需要标签）。这就是为什么错误提示您需要传递一个数组而不是两个数组的原因。因此，您需要定义一个仅提供测试样本的生成器，或者在Python中，将现有的生成器包装在另一个仅提供输入样本的函数中（我不知道是否可以在R中完成此操作） ）：

def pred_generator(gen):
    for data, labels in gen:
        yield data  # discards labels

preds = model.predict_generator(pred_generator(test_generator), number_of_steps)

您需要提供另一个参数，该参数是生成器涵盖测试数据中所有样本的步骤数。其实我们有num_steps = total_number_of_samples / batch_size。例如，如果您有1000个样本，并且每次生成器生成10个样本，则需要将生成器用于1000 / 10 = 100步骤。

奖励：要查看模型的效果如何，可以使用evaluate_generator现有的测试生成器（例如test_gen）使用：

loss = model.evaluate_generator(test_gen, number_of_steps)

给定的loss值也经过归一化和去归一化（以获得更好的预测误差），您只需将其乘以std（mean因为您正在使用mae，即绝对误差作为损失函数，因此无需加法）：

denorm_loss = loss * std

这将告诉您平均而言您的预测有多少偏离。例如，如果您要预测温度，则a denorm_loss为5表示预测平均偏离5度（即小于或大于实际值）。

更新：为了进行预测，您可以使用R中的现有生成器来定义新生成器，如下所示：

pred_generator <- function(gen) {
  function() { # wrap it in a function to make it callable
    gen()[1]  # call the given generator and get the first element (i.e. samples)
  }
}

preds <- model %>% 
  predict_generator(
    generator = pred_generator(test_gen), # pass test_gen directly to pred_generator without calling it
    steps = test_steps
  )

evaluate_generator(model, test_gen, test_steps)