张量流中LSTM的多变量输入

Question

我在TENSorflow下试图用多个输入序列（多变量）实现LSTM时遇到了一些疑问。

我用这种方式定义了LSTM：

def LSTM(x):
x = tf.reshape(x, [-1, input_length])
x = tf.split(x, input_length, 1)

rnn_cell = rnn.MultiRNNCell([rnn.BasicLSTMCell(n_hidden), rnn.BasicLSTMCell(n_hidden)])
outputs, states = rnn.static_rnn(rnn_cell, x, dtype=tf.float32)
return tf.matmul(outputs[-1], weights['out']) + biases['out']

并以这种方式定义数据张量：

# tf Graph input
X = tf.placeholder("float", [None, input_length, 1])
Y = tf.placeholder("float", [None, n_classes])

这对于具有已知长度的一维输入是可以的。我将给你一个简单的例子：你每秒测量降雨率，所以你有一个大小为N的时间序列。你想提前30分钟预测降雨率，所以你每30分钟将数据分成几个部分。因此，您将输入30（分钟）* 60（每秒一次）测量值来输入LSTM，输出将是从最后给定输入（一次测量）起30分钟后的降雨率。

到目前为止，这个简单的模型解决了这个问题，但是如何添加其他输入呢？也就是说，不是仅使用降雨率在30分钟后预测自身，而是每秒向LSTM提供湿度和风速。这将是一个LSTM，其中3个序列作为输入，每个输入将包含30分钟* 60次测量。

我需要添加一个“number_of_sequences”变量，但我不确定如何重新组织张量。我应该从代码中更改什么？我有点迷失X占位符的三个维度，也许是这样的？

X = tf.placeholder("float", [None, input_length, number_of_sequences])

并且还有将正常数据库转换为序列的代码，也许这个？：

x = tf.reshape(x, [-1, input_length])
x = tf.split(x, input_length, number_of_sequences)

先感谢您。

Answer 1

我编辑了您的代码，以便您可以获得所需的结果，

input_length = 30*60
number_of_sequences =3

X = tf.placeholder("float", [None, input_length, number_of_sequences])


x = tf.reshape(X, [-1, input_length*number_of_sequences])
x = tf.split(x, input_length, 1)

现在x是长度为30 * 60的列表，列表的元素是[batch_size 3]的形状。现在x的形状是tf static_rnn方法所需的形状。

希望这可以帮助。