不说多馀的话，直接看看代码吧~
打印(NP.shape (x ) ) (1920，45，20 ) ) ) ) ) )。
x=sequence.pad_sequences(x，maxlen=100，padding='post ' ) ) ) ) ) ) ) ) ) )。
打印(NP.shape (x ) ) (1920，100，20 ) )。
模型=sequential ()
model.add (掩蔽(mask _ value=0，input _ shape=(100，20 ) )
模型. add (lstm (128，dropout_W=0.5，dropout_U=0.5 ) )
模型. add (dense (13，activation='softmax ' ) )
model.com pile (loss=' categorical _ cross entropy '，
最佳化程式=' Adam '，
测量结果=[ ' accuracy ' ] )
#保存验证集误差最小的参数，当验证集误差减少时保存
check pointer=model check point (文件路径=' keras _ rnn.HD F5 '，verbose=1，save_best_only=True，)
历史=loss history (
result=model.fit(x，y，batch_size=10，
nb_epoch=500，verbose=1，validation_data=(testx，testY )，
callbacks=[checkpointer，history] )
model.save (keras _ rnn _ epochend.HD F5 ) )
补充知识： rnn(lstm )数据格式及填充操作处理变长的时序dynamic_rnn
萨马利
RNN
与示例一样，计算出的状态值和输出结构一致。 也就是说，如果当前输入值也与前面的状态值相同，则当前状态值和当前输出结果一致。 这是因为当前的培训没有更新权重参数和偏置
RNN最终状态值与最终时刻的输出值一致
输入数据请求格式为shape=(batch_size，step_time_size，input_size )，state的shape=) batch_size，state_size output的shape=(batch_size、step_time_size、state_size )和最后一个有效输出(有效序列长度，不包含填充的部分)与状态值相同
LSTM
LTM与RNN大致匹配，但其状态有两个c_state和h_state，与它们的shape一样，输出值output的最后一个有效输出与h_state匹配
对于可变长度RNN训练，输入格式必须保持shape=(batch_size、step_time_size、input_size ) )，但每个批次中每个样本的有效方案
应该注意，无效序列长度部分的所有填充并不是因为0而输出全部为0，而是状态不变化，这是因为输出值和状态值的计算不仅取决于当前时间点的输入值，还取决于上一时间点的状态值。 其内部原理是使用掩码矩阵来标记有效部分和无效部分，而不必在无效部分进行计算。 也就是说，这一部分不是反向传播时参数的更新。 当然，如果填充不为零，则填充的这一部分的输出和状态也与填充为零的结果相同
''''
#示例数据以(batch_size，time_step_size，input_size[embedding_size] )的形式，其中samples=4，timesteps=3
''''
导入pandas as PD
import numpy as np
导入tensor flow as TF
train _ x=NP.array ([ [ 0，1，2 ]，[ 9，8，7 ]，[ 3，6，8 ]，
[ 3，4，5 ]，[ 0，10，110 ]，[ 0，0，0 ]，
[ 6，7，8 ]，[ 6，5，4 ]，[ 1，7，4 ]，
[ 9，0，1 ]、[ 3，7，4 ]、[ 0，0，0 ]、
[ 9，0，1 ]，[ 3，3，4 ]，[ 0，0，0 ] ]
] )
sequence _ length=[ 3，1，3，2，2 ]
train_X.shape，train _ x [ :2:3， ].RES
hape(5, 3)tf.reset_default_graph()
x = tf.placeholder(tf.float32, shape=(None, 3, 3)) # 输入数据只需能够迭代并符合要求shape即可，list也行，shape不指定表示没有shape约束，任意shape均可
rnn_cell = tf.nn.rnn_cell.BasicRNNCell(num_units=6) # state_size[hidden_size]
lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(num_units=6) # state_size[hidden_size]
outputs1, state1 = tf.nn.dynamic_rnn(rnn_cell, x, dtype=tf.float32, sequence_length=sequence_length)
outputs2, state2 = tf.nn.dynamic_rnn(lstm_cell, x, dtype=tf.float32, sequence_length=sequence_length)
with tf.Session() as sess:
sess.run(tf.global_variables_initializer()) # 初始化rnn_cell中参数变量
outputs1, state1 = sess.run((outputs1, state1), feed_dict={x: train_X})
outputs2, state2 = sess.run([outputs2, state2], feed_dict={x: train_X})
print(outputs1.shape, state1.shape) # (4, 3, 5)->(batch_size, time_step_size, state_size), (4, 5)->(batch_size, state_size)
print(outputs2.shape) # state2为LSTMStateTuple(c_state, h_state)
print("---------output1state1-----------")
print(outputs1) # 可以看出output1的最后一个时刻的输出即为state1, 即output1[:,-1,:]与state1相等
print(state1)
print(np.all(outputs1[:,-1,:] == state1))
print("---------output2state2-----------")
print(outputs2) # 可以看出output2的最后一个时刻的输出即为LSTMStateTuple中的h
print(state2)
print(np.all(outputs2[:,-1,:] == state2[1]))
再来怼怼dynamic_rnn中数据序列长度tricks
思路样例代码
from collections import Counter
import numpy as np
origin_data = np.array([[1, 2, 3],
[3, 0, 2],
[1, 1, 4],
[2, 1, 2],
[0, 1, 1],
[2, 0, 3]
])
# 按照指定列索引进行分组(看作RNN中一个样本序列),如下为按照第二列分组的结果
# [[[1, 2, 3], [0, 0, 0], [0, 0, 0]],
# [[3, 0, 2], [2, 0, 3], [0, 0, 0]],
# [[1, 1, 4], [2, 1, 2], [0, 1, 1]]]
# 第一步，将原始数据按照某列序列化使之成为一个序列数据
def groupby(a, col_index): # 未加入索引越界判断
max_len = max(Counter(a[:, col_index]).values())
for i in set(a[:, col_index]):
d[i] = []
for sample in a:
d[sample[col_index]].append(list(sample))
# for key in d:
# d[key].extend([[0]*a.shape[1] for _ in range(max_len-len(d[key]))])
return list(d.values()), [len(_) for _ in d.values()]
samples, sizes = groupby(origin_data, 2)
# 第二步，根据当前这一批次的中最大序列长度max(sizes)作为padding标准(不同批次的样本序列长度可以不一样，但同一批次要求一样(包括padding的部分))，当然也可以一次性将所有样本(不按照批量)按照最大序列长度padding也行，可能空间浪费
paddig_samples = np.zeros([len(samples), max(sizes), 3])
for seq_index, seq in enumerate(samples):
paddig_samples[seq_index, :len(seq), :] = seq
paddig_samples
以上这篇keras在构建LSTM模型时对变长序列的处理操作就是小编分享给大家的全部内容了，希望能给大家一个参考，也希望大家多多支持云海天教程。
原文链接：https://blog.csdn.net/xinfeng2005/article/details/68926800