Nano Hash - криптовалюты, майнинг, программирование

Форма Keras LSTM для Pandas DataFrame

Я играю с машинным обучением и пытаюсь следовать некоторым примерам, но застрял, пытаясь передать свои данные в слой Keras LSTM.

У меня есть некоторые данные биржевого тикера в Pandas DataFrame, которые передискретизируются с 15-минутными интервалами с помощью ohlc и множества других показателей для каждой строки.

Мой код ниже. df - это мой DataFrame:

x = df.iloc[:, :-1].values
y = df.iloc[:, -1:].values

dimof_input = x.shape[1]
dimof_output = len(set(y.flat))

model = Sequential()
model.add(LSTM(4, input_dim=dimof_input, return_sequences=True))
model.compile(loss='mse', optimizer='rmsprop')

model.fit(x, y, nb_epoch=1, batch_size=1, verbose=2)

Когда я пытаюсь подобрать форму, я получаю:

Error when checking input: expected lstm_16_input to have 3 dimensions, 
but got array with shape (33, 100)

Я скопировал это из примеров в другом месте. Я не совсем понимаю, как получить правильную форму данных в этой модели. Кто-нибудь может помочь?

Спасибо огромное.


  • Чего вы на самом деле пытаетесь достичь с помощью LSTM? 07.07.2017
  • Я следую некоторым руководствам по прогнозированию цен на акции. В основном это просто проблема, с которой можно повозиться, а не что-то серьезное. 07.07.2017
  • Хорошо... может быть, это связано с вашим dimof_input, который вы получаете, выполняя x.shape[1]... Какова форма x? Обычно я просто делаю x.shape без индекса... 07.07.2017
  • @Ludo Тебе удалось это понять? Хотел бы посмотреть, как перейти от df к 3D-тензору... 14.03.2018

Ответы:


1

Введите фигуры

Трехмерный тензор формы (batch_size, timesteps, input_dim), (необязательно) двумерные тензоры формы (batch_size, output_dim). (из здесь).
И вы указали input_dim=dimof_input. Модель ожидает на входе 3D-тензор, но получила 2D. Если вы дадите ссылку на реализуемый туториал, я, вероятно, смогу больше рассказать о причинах проблемы.
Вы можете попробовать изменить форму входных данных следующим образом:

x = x.reshape(x.shape[0], 1, x.shape[1])

Кроме того, некоторую информацию о входных данных входных данных слоя Keras LSTM можно найти здесь.

07.07.2017
  • Спасибо! Попытка вашего предложенного изменения формы теперь изменяет ошибку на: ValueError: Ошибка при проверке ввода: ожидается, что lstm_17_input будет иметь форму (None, None, 1), но получил массив с формой (33, 1, 100). Я думаю, что я должен в корне не понимать, как эти входные формы работают. Теперь мне удалось потерять учебник, которому я следовал. Позвольте мне попытаться найти его. Спасибо за вашу помощь. 10.07.2017
  • Новые материалы

    Кластеризация: более глубокий взгляд
    Кластеризация — это метод обучения без учителя, в котором мы пытаемся найти группы в наборе данных на основе некоторых известных или неизвестных свойств, которые могут существовать. Независимо от..

    Как написать эффективное резюме
    Предложения по дизайну и макету, чтобы представить себя профессионально Вам не позвонили на собеседование после того, как вы несколько раз подали заявку на работу своей мечты? У вас может..

    Частный метод Python: улучшение инкапсуляции и безопасности
    Введение Python — универсальный и мощный язык программирования, известный своей простотой и удобством использования. Одной из ключевых особенностей, отличающих Python от других языков, является..

    Как я автоматизирую тестирование с помощью Jest
    Шутка для победы, когда дело касается автоматизации тестирования Одной очень важной частью разработки программного обеспечения является автоматизация тестирования, поскольку она создает..

    Работа с векторными символическими архитектурами, часть 4 (искусственный интеллект)
    Hyperseed: неконтролируемое обучение с векторными символическими архитектурами (arXiv) Автор: Евгений Осипов , Сачин Кахавала , Диланта Хапутантри , Тимал Кемпития , Дасвин Де Сильва ,..

    Понимание расстояния Вассерштейна: мощная метрика в машинном обучении
    В обширной области машинного обучения часто возникает необходимость сравнивать и измерять различия между распределениями вероятностей. Традиционные метрики расстояния, такие как евклидово..

    Обеспечение масштабируемости LLM: облачный анализ с помощью AWS Fargate и Copilot
    В динамичной области искусственного интеллекта все большее распространение получают модели больших языков (LLM). Они жизненно важны для различных приложений, таких как интеллектуальные..