Nano Hash - криптовалюты, майнинг, программирование

Прогнозирование с разным временным шагом с помощью модели, обученной для данных с разным временным шагом

Я обучил свой LSTM с 3 временными шагами. Ниже приведен слой Keras LSTM.

model.add(LSTM(32, return_sequences=True, input_shape=(None, 3))).

ex: 

   X                           Y
   [[1,2,3],[2,3,4],[4,5,6]]   [[4],[5],[7]]

Теперь мне нужно предсказать следующее значение последовательности с разными time_steps (например: 2)

  X= [[1,2]]

Когда я использую X= [[1,2]], я получаю следующую ошибку

ValueError: Error when checking input: expected lstm_1_input to have shape (None, 3) 
but got array with shape (1, 2)

Должен ли я обеспечить ту же форму, которую я использовал для тренировок.

Или я все еще могу использовать другие временные шаги (форму ввода) для прогнозирования.

Благодарим вас за помощь в этом вопросе.

keras lstm
17.05.2019

Ответы:


1

Я считаю, что вам нужно использовать ту же форму при использовании вашей модели для прогнозирования новых данных. Ваши данные были обучены с 3 временными шагами (train_X), поэтому вы должны вводить 3 временных шага, когда вы моделируете. предсказываете свои тестовые данные (test_X).

18.05.2019
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..