如何选择 LSTM Keras 参数?
Posted
技术标签:
【中文标题】如何选择 LSTM Keras 参数?【英文标题】:How to choose LSTM Keras parameters? 【发布时间】:2017-12-29 21:41:06 【问题描述】:我有多个时间序列的输入,我想正确构建 LSTM 模型。
我真的很困惑如何选择参数。我的代码:
model.add(keras.layers.LSTM(hidden_nodes, input_shape=(window, num_features), consume_less="mem"))
model.add(Dropout(0.2))
model.add(keras.layers.Dense(num_features, activation='sigmoid'))
optimizer = keras.optimizers.SGD(lr=learning_rate, decay=1e-6, momentum=0.9, nesterov=True)
我想了解每一行的输入参数的含义以及如何选择这些参数。
其实我对代码没有任何问题,但我需要清楚地了解参数以获得更好的结果。
非常感谢!
【问题讨论】:
这是一个非常广泛的问题,不直接涉及编程。你可以说得更详细点吗?你自己试图找出什么,你到底在哪里努力理解?你可能也想看看这个:***.com/questions/38714959/… 我阅读了这些文章,我知道这是一个非常广泛的问题,但我正在寻找对这些参数的一般解释。我希望收集使用它的人的经验。 【参考方案1】:keras.io 文档的 part 非常有帮助:
LSTM 输入形状:具有形状的 3D 张量(batch_size、timesteps、input_dim)
这里还有一张图片说明了这一点:
我还将解释您示例中的参数:
model.add(LSTM(hidden_nodes, input_shape=(timesteps, input_dim)))
model.add(Dropout(dropout_value))
hidden_nodes = 这是 LSTM 的神经元数量。如果您的数字更大,则网络会变得更强大。然而,要学习的参数数量也在增加。这意味着需要更多时间来训练网络。
时间步数 = 您要考虑的时间步数。例如。如果你想对一个句子进行分类,这将是一个句子中的单词数。
input_dim = 特征/嵌入的尺寸。例如。句子中单词的向量表示
dropout_value = 为了减少过拟合,dropout 层只是随机抽取一部分可能的网络连接。该值是每个 epoch/batch 所考虑的网络连接的百分比。
如您所见,无需指定 batch_size。 Keras 会自动处理它。
optimizer = keras.optimizers.SGD(lr=learning_rate, decay=1e-6, momentum=0.9, nesterov=True)
learning_rate = 表示每批更新多少权重。
decay = learning_reate 随着时间的推移减少了多少。
动量 = 动量率。较高的值有助于克服局部最小值,从而加快学习过程。 Further explanation.
nesterov = 如果应该使用nesterov 动量。 Here is a good explanation.
【讨论】:
SGD参数呢? SGD参数会影响分类结果吗? 当然,就像所有其他超参数一样。我通常更喜欢其他优化器,因为它们改进了 SGD,例如adam以上是关于如何选择 LSTM Keras 参数?的主要内容,如果未能解决你的问题,请参考以下文章