在不争论是否实际执行此操作的利弊的情况下，我很好奇是否有人已经创建或知道在使用 keras 拟合模型期间在不同时期之间改变训练数据的简单方法。
示例：我有 100 个向量和用于训练模型的输出特征。我随机选择其中的 80 个作为训练集，将另外 20 个留作验证，然后运行：
model.fit(train_vectors,train_features,validation_data=(test_vectors,test_features))
Keras 拟合允许我们打乱训练数据的顺序，shuffle=True但这只是随机改变训练数据的顺序。从训练集中随机选择 40 个向量，运行一个 epoch，然后随机选择另外 40 个向量，运行另一个 epoch 等可能会很有趣。
我很困惑如何格式化我自己预先训练的权重为KerasEmbedding层，如果我还设置mask_zero=True。这是一个具体的玩具示例。
假设我有 4 个单词的词汇表，[1,2,3,4]并且正在使用由以下定义的向量权重：
weight[1]=[0.1,0.2]
weight[2]=[0.3,0.4]
weight[3]=[0.5,0.6]
weight[4]=[0.7,0.8]
我想嵌入长度不超过 5 个单词的句子，所以我必须在将它们输入到嵌入层之前对它们进行零填充。我想掩盖零，以便进一步的图层不使用它们。
阅读用于嵌入的 Keras 文档，它说 0 值不能出现在我的词汇表中。
mask_zero：输入值 0 是否是应屏蔽的特殊“填充”值。这在使用可能需要可变长度输入的循环层时很有用。如果为 True，则模型中的所有后续层都需要支持屏蔽，否则将引发异常。如果 mask_zero 设置为 True，结果，索引 0 不能在词汇表中使用（input_dim 应等于词汇表的大小 + 1）。
所以我感到困惑的是如何为嵌入层构造权重数组，因为“索引 0 不能在词汇表中使用”。如果我将权重数组构建为
[[0.1,0.2],
[0.3,0.4],
[0.5,0.6],
[0.7,0.8]]
那么通常情况下， word1会指向索引 1，在这种情况下，它保存 word 的权重2。还是当您指定时mask_zero=True，Keras 内部会使其1指向索引 0？或者，您是否只是在索引零中添加一个零向量，如下所示？
[[0.0,0.0],
[0.1,0.2],
[0.3,0.4],
[0.5,0.6],
[0.7,0.8]]
在我看来，第二个选项是将零放入词汇表中。换句话说，我很困惑。任何人都可以阐明这一点吗？
我正在训练一个 RNN，它的单词特征集非常少，大约 10,000 个。我计划在添加 RNN 之前从嵌入层开始，但我不清楚真正需要什么维度。我知道我可以尝试不同的值（32、64 等），但我宁愿先有一些直觉。例如，如果我使用一个 32 维的嵌入向量，那么每维只需要 3 个不同的值来完全描述空间 ( 32**3>>10000)。
或者，对于一个字数很少的空间，是否真的需要使用嵌入层，还是从输入层直接转到 RNN 更有意义？
我正在使用PCA来减少N维数据集的维数，但是我想对较大的离群值建立鲁棒性，因此我一直在研究稳健的PCA代码。
对于传统的PCA，我使用的是python的sklearn.decomposition.PCA，它将主成分很好地返回为向量，然后可以将我的数据投影到该向量上（要清楚，我还使用SVD编写了自己的版本，因此我知道该方法有效）。我在那里找到了一些预编码的RPCA python代码（例如https://github.com/dganguli/robust-pca和https://github.com/jkarnows/rpcaADMM）。
第一个代码基于Candes等人。（2009）方法，并返回数据集D的低秩L和稀疏S矩阵。第二代码使用矩阵分解的ADMM方法（Parikh，N.，＆Boyd，S. 2013）并返回X_1，X_2，X_3矩阵。我必须承认，我很难弄清楚如何将它们连接到标准PCM算法返回的主轴上。谁能提供任何指导？
具体来说，在一个数据集X中，我有N个3-D点组成的云。我通过PCA运行它：
pca=sklean.decompose.PCA(n_components=3)
pca.fit(X)
comps=pca.components_
这3个分量是3D矢量，它们定义了我将所有点投影到的新基础。使用健壮的PCA，我得到的矩阵L + S = X。然后执行pca.fit（L）吗？我本以为RPCA会给我本征向量，但是在建立协方差矩阵或执行SVD的过程中，有内部步骤可以剔除异常值。
也许我认为“健壮的PCA”不是别人使用/编码的方式吗？