python - 如何为Keras中的有状态LSTM准备数据？

我想使用Keras中的有状态LSTM开发用于二进制分类的时间序列方法

这是我的数据。我有很多录音，例如N。每个记录包含22个时间长度为M_i(i=1,...N)的时间序列。我想在Keras中使用有状态模型，但是我不知道如何重塑数据，尤其是关于如何定义batch_size的情况。

这是我进行stateless LSTM的方法。我为所有记录创建了长度为look_back的序列，以便获得大小为(N*(M_i-look_back), look_back, 22=n_features)的数据

这是我用于此目的的功能：

def create_dataset(feat,targ, look_back=1):
    dataX, dataY = [], []
#     print (len(targ)-look_back-1)
    for i in range(len(targ)-look_back):
        a = feat[i:(i+look_back), :]
        dataX.append(a)
        dataY.append(targ[i + look_back-1])
    return np.array(dataX), np.array(dataY)

其中，feat是大小为(n_samples, n_features)的二维数据数组（对于每个记录），而targ是目标矢量。

因此，我的问题是，根据上述数据，如何为有状态模型重塑数据并考虑批处理概念？是否要采取预防措施？

我想做的是能够将每个记录的每个time_step分类为癫痫发作/非癫痫发作。

编辑：我想到的另一个问题是：我的录音包含不同长度的序列。我的状态模型可以学习每个记录的长期依赖关系，因此这意味着batch_size在一个记录与另一个记录之间是不同的...如何处理？在完全不同的序列（test_set）上进行测试时，会不会引起泛化麻烦？

谢谢

最佳答案

我认为您不需要为您的目的使用有状态层。

如果您想长期学习，请不要创建这些滑动窗口。数据的形状为：

(number_of_independent_sequences, length_or_steps_of_a_sequence, variables_or_features_per_step)

我不确定您的问题中的措词是否正确。如果“录音”就像“电影”或“歌曲”，“语音剪辑”或类似的东西，则：

序列数=录音数

按照“录制”的想法，时间步长将是“视频中的帧”或音频文件中的“样本”（时间x 1通道的sample_rate）。（请注意，喀拉拉语中的“样本”是“序列/记录”，而音频处理中的“样本”是喀拉斯语中的“步骤”）。

time_steps =帧数或音频样本

最后，特征/变量的数量。在电影中，就好像是RGB通道（3个功能），音频一样，还是通道数（2个立体声）。在其他类型的数据中，它们可能是温度，压力等。

特征=每个步骤中测得的变量数

具有这种形状的数据将对有状态= True和False都起作用。

这两种训练方法是等效的：

#with stateful=False
model.fit(X, Y, batch_size=batch_size)

#with stateful=True
for start in range(0, len(X), batch_size):
    model.train_on_batch(X[start:start+batch_size], Y[start:start+batch_size])
    model.reset_states()

可能仅在更新优化器的方式上有变化。

对于您的情况，如果您可以创建上述形状的输入数据，并且不打算递归预测未来，那么我看不出使用stateful=True的理由。

分类每一步

为了对每个步骤进行分类，您无需创建滑动窗口，也不必使用stateful=True。

循环图层可以通过设置return_sequences=True来输出所有时间步长。

如果输入的形状为(batch, steps, features)，则将需要目标的形状为(batch, steps, 1)，这是每个步骤的一个类。

简而言之，您需要：

具有return_sequences=True的LSTM层
形状为X_train的(files, total_eeg_length, 22)
形状为Y_train的(files, total_eeg_length, 1)

提示：由于LSTM永远不会很好地分类开头，因此您可以尝试使用Bidirectional(LSTM(....))层。

输入长度不同

要使用不同长度的输入，需要设置input_shape=(None, features)。考虑我们在聊天室features = 22中的讨论。

然后，您可以：

分别加载每个EEG：

X_train作为(1, eeg_length, 22)
Y_train作为(1, eeg_length, 1)
用model.train_on_batch(array, targets)分别训练每个EEG。
您将需要手动管理时期，并将test_on_batch用于验证数据。

用零或另一个虚拟值填充较短的EEG，直到它们全部达到max_eeg_length并使用：

模型开头的Masking层将丢弃带有虚拟值的步骤。
X_train作为(eegs, max_eeg_length, 22)
Y_train作为(eegs, max_eeg_length, 1)
您可以使用常规model.fit(X_train, Y_train,...)进行训练

关于python - 如何为Keras中的有状态LSTM准备数据？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/52071751/