小编Sub*_*rat的帖子

在MNIST LSTM示例中,我不明白"隐藏层"的含义.是否随着时间的推移代表展开的RNN时会形成虚构层？

为什么num_units = 128在大多数情况下？

我知道我应该详细阅读colah的博客来理解这一点,但在此之前,我只是希望得到一些代码来处理我所拥有的时间序列数据.

我有一个django表单,它收集用户响应.我也有张量流句分类模型.将这两者结合在一起的最佳/标准方法是什么？细节:

1. tensorflow模型在烂番茄的电影评论数据上进行了训练.
2. 每次在我的响应模型中创建一个新行时,我都希望张量流代码对其进行分类(+或 - ).
3. 基本上我有一个django项目目录和两个.py文件进行分类.在继续自己之前,我想知道将机器学习算法实现到Web应用程序的标准方法是什么.

如果您可以建议教程或回购,那就太棒了.谢谢 !

我有一个带有双向 LSTMS 的 CNN-RNN 模型架构，用于时间序列回归问题。我的损失没有收敛超过 50 个时期。每个 epoch 有 20k 个样本。损失在0.001 - 0.01之间不断反弹。

batch_size=1
epochs = 50
model.compile(loss='mean_squared_error', optimizer='adam')   
trainingHistory=model.fit(trainX,trainY,epochs=epochs,batch_size=batch_size,shuffle=False)

1. 我尝试使用错误配对的 X 和 Y 数据训练模型，其损失保持在0.5左右，我的 X 和 Y 具有非线性关系的合理结论是否可以由我的模型在更多时期学习？
2. 我的模型的预测捕获了模式，但有一个偏移量，我使用动态时间扭曲距离来手动检查预测的准确性，有没有更好的方法？

model = Sequential()
model.add(LSTM(units=128, dropout=0.05, recurrent_dropout=0.35, return_sequences=True, batch_input_shape=(batch_size,featureSteps,input_dim)))
model.add(LSTM(units=32, dropout=0.05, recurrent_dropout=0.35, return_sequences=False))
model.add(Dense(units=2, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer=opt, metrics=['accuracy'])