更有效的Keras LSTM输入？

Question

[在Keras中为LSTM创建张量时，时间序列输入似乎效率很低。还有另一种方法吗？例如，在转换为张量之前，一个序列可能是：

• [1、2、3、4、5、6、7、8]和标签[9]。下一个将是：
• 带有标签[10]的[[2、3、4、5、6、7、8、9]。
• [3，4，5，6，7，8，9，10]-> [11]

依此类推，因为我的系列中有很多数字。在这种情况下，每个样本只有8个时间步长，但本质上我仍然创建的数据量是将其发送到LSTM之前的原始数据的8倍-绝大多数数据都是冗余的。对于具有50个时间步长的系列，我将创建大约50倍的原始数据。这似乎效率很低。当所有数据仅来自一个长序列时，是否有更有效的方法将该数据加载到LSTM中？ tf.data是否提供我忽略的任何此类功能？

Answer 1

没有，但是您可以尝试使用return_sequences=True（此模型也将支持Conv1D，但不支持Flatten或池）。

然后您可以使用移位的输出：

• 带有标签[1, 2, 3, 4, 5, 6, 7, 8]的输入[2,3,4,5,6,7,8,9]
• 带有标签[a, b, c, d, e, f, g, h]的输入[b,c,d,e,f,g,h,i]

基本上：

• x_train = original_sequences[:, :-1]
• y_train = original_sequences[:, 1: ]

后果是：

• 可能的边界效果（在序列的开头，模型将不是很好）
• 无限制的输入步骤（模型将仅依靠8个步骤来进行预测）-根据数据，结果可能过于依赖序列，而不是您想要的更长的时间
• 无法使用Bidirectional，因为结果将受到将来值的影响。 （在同一行上，卷积应使用'causal'填充，否则将来的值也会影响结果）。