标签: sequential

我正在使用卷积神经网络，在使用顺序神经网络时，我在训练数据时遇到了问题。使用顺序是不可能获得最好的分数吗？

from numpy import array
from numpy import reshape
import numpy as np
def model_CNN(X_train,Y_train,X_test,Y_test):

    model = Sequential()

    model.add(Conv1D(filters=512, kernel_size=32, padding='same', kernel_initializer='normal', activation='relu', input_shape=(256, 1)))
    model.add(Conv1D(filters=512, kernel_size=32, padding='same', kernel_initializer='normal', activation='relu'))
    model.add(Dropout(0.2)) # This is the dropout layer. It's main function is to inactivate 20% of neurons in order to prevent overfitting
    model.add(Conv1D(filters=256, kernel_size=32, padding='same', kernel_initializer='normal', activation='relu'))
    model.add(Dropout(0.2))
    model.add(Conv1D(filters=256, kernel_size=32, padding='same', kernel_initializer='normal', activation='relu'))

    model.add(Flatten())

    optimizer = keras.optimizers.SGD(lr=0.01, momentum=0.5)
    model.compile(loss='binary_crossentropy', optimizer=optimizer, metrics=['accuracy'])
    convolutional_model = model.fit(X_train, Y_train, epochs=5,batch_size=64,verbose=1, validation_data=(X_test, Y_test))
    print(convolutional_model.score(X_train,Y_train))
    model.summary()
    return …

我已经构建了一个 LSTM 模型（见下文）并对其进行了训练。当我进行二元分类时，我的损失函数是二元交叉熵。训练 y 数据是一组 0 和 1。

当我运行时，model.predict(x_test_scaled)我得到一组值范围在 0 和 1 之间的单个系列。我猜这是一个概率，但它是输出 = 0 的概率还是输出 = 1 的概率？

model = Sequential()

model.add(LSTM(units=512, input_shape = (X_train.shape[1],X_train.shape[2]), return_sequences=True)) 
model.add(Dropout(0.3))

model.add(LSTM(units=512, return_sequences=False))
model.add(Dropout(0.3))
    

model.add(Dense(264),  activation = 'tanh')

model.add(Dense(1))

我正在使用 Java Spring 和 Oracle DB 创建一个应用程序。

在应用程序中，我想生成一个唯一且有序且没有间隙的主键值：1,2,3,4,5而不是1,2,5,7,8,9.

我曾一度用于max(id) + 1获取 id 的最大值以及下一个/当前事务的 id。但是我知道在多个用户或多个会话并发的情况下它并不完美。

我尝试过使用序列，但即使使用标签，ORDER它仍然可能会产生间隙，从而可能导致事务失败。

REATE SEQUENCE num_seq 
START WITH 1 
INCREMENT BY 1 
ORDER NOCACHE NOCYCLE;

我需要有无间隙的值作为要求，但是我不确定在多个用户/多个会话的情况下如何可能。

我有一个模型，它有多个条件并返回一个值，该值取决于下一个预测。假设给定 A 和 B 的时间序列，模型返回 C 变量的值，该值又用于估计 D 的值。在沿着新 A 和 B 的下一次迭代中，模型还使用估计的 D 作为输入：

df = data.frame(A = sample(-5:5, 10000, replace = TRUE),
                 B = sample(-5:5, 10000, replace = TRUE),
                 C = 0,
                D=0)

for(i in 1:nrow(df)){
  
    if (df$A[i]< 0 & df$B[i]>0){     
      df$C[i]<-df$B[i]
    
      } else if(df$A[i]==0  & df$B[i]==0 ){ 
      df$C[i]<-0
    
      }  else {
      df$C[i]<-df$A[i]+df$B[i]-df$D[i]  
        }
    
    df$D[i+1]<-ifelse(df$D[i]<=-df$C[i],0,df$D[i]+df$C[i]) # this is a cumulative sum-reset function
    
}

尽管代码运行良好，但由于我有数十万个观察结果，所以速度非常慢。我将不胜感激任何可以加快速度的建议。