如果我很好理解，RNN可以考虑序列中的最后一个值来预测下一个值。假设我要预测函数cos（x）的下一个值，并且我有一个数据集，其中x的结果在range（0，1000）中。首先，我用cos（0）填充模型以预测cos（1），然后用cos（1）预测cos（2）等。然后在每一步调整权重，模型将最后的值存储到做下一个预测。
就我而言，我想训练一个模型来预测视频的质量。为此，我有一个带有视频注释的数据集。对于每个视频，对于每个帧，我都会计算出36个与空间无关的特征。因此，输入的形状为（nb_videos，nb_frames，36）。对于每个视频，我都有一个代表整体视频质量的分数，标签的形状为（nb_videos，1）。
我不知道我可以使用哪种NN。我认为n_frames x 36太大了，对于一个简单的多层感知器而言。特征可能沿时间轴有意义，但沿特征轴却没有意义，因此，除非我训练带有1D卷积的36个模型，否则CNN毫无用处。最后，特征出现在一个序列中，但是RNN的问题在于它需要为序列中的每个元素评分，并且该模型仅能特别预测该序列中的下一个值。
我的想法是让1个RNN模型针对任何视频进行训练。我以良好的顺序为RNN的n_frame次提供了36个特征，并且只有在这些n_frame次迭代之后，模型才给出预测。然后，使用此预测来调整权重。然后，我们用数据集中随机选取的视频进行拍摄的时期数。
是否有意义？
是否存在类似的东西？
最佳答案
我认为您不是非常规地使用RNN / LSTM，您的想法是有道理的。如果我正确理解，则您的想法涉及使用多对一RNN：
资料来源：http://karpathy.github.io/2015/05/21/rnn-effectiveness/
其中每个时间步长的输入对应于具有36个特征的一帧，最后一个时间步长的输出传达有关整个视频的信息。在Keras中，这可能与以下内容类似：
from keras.models import Sequential
from keras.layers import LSTM, Dense
nb_frames = 10
model = Sequential()
model.add(LSTM(20, input_shape=(nb_frames, 36)))
model.add(Dense(1, activation='relu'))
model.compile('rmsprop', 'mse')
model.summary()
多对一的RNN非常常见，您不会对它们进行非常规的使用。
关于machine-learning - 非常规使用RNN/LSTM，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/51166051/