[LSTM]初识大名鼎鼎的Seg2Seg模型: LSTM

2018年08月12日 9463点热度 2人点赞 0条评论


LSTM 应该是这段时间应用非常广泛也非常火的一个算法了。关于其理论基础, 已经有非常好的文章了。 在这里, 笔者记录一下自己从一些实际例子来学习LSTM的路程。 不太监的话, 应该会有好几篇文章。 这是第一篇, 主要目的:

  • 从一个简单的例子来看看LSTM是如何预测下一个输出的。

  • 从这个简单的例子, 体会一下什么是Seg2Seg。

  • 大概看看, 如何使用Keras来训练一个LSTM的模型。

主要参考文章:

问题描述:学习字母表

我们经常听说LSTM可以用来训练机器人进行说话, 或者使用LSTM之类的Seg2Seg算法进行翻译。 这个命题就是一个简化版本的预测输出的命题。

假设我们有一个数据集 ABCDEFGHIJKLMNOPQRSTUVWXYZ。 给定一个输入序列, 预测下一个字母是什么。

举个例子:

上面的例子之中, 我们只使用了1个输入字符,预测1个输出字符。也就是我们的输入输出序列长度都是1.

注意: 我们学过字母表及其顺序, 现在是让算法学会这个顺序。 就像交小孩子学习字母表及其顺序那样。后面我们也会尝试修改->左边的数值。

数据集准备

  • 首先, 我们还是要引入相应的类库, 并设定一个随机值

  • 然后, 将字符映射成数字:

    采用大写是为了后面好看, 小写字母就忽略不计了。

  • 第三步:尝试构建出上面1:1映射的数据集

  • 【重要】Reshape

    一些我的理解:

    • samples 或者 len(dataX) : 数据有多少行

    • time_steps 或者 seq_length : 步长, 即每一次观察,有几个观测点。 我喜欢叫他window_size

    • features 或者 1: 特征。

    举另外一个例子可能更好懂一些。

    我们使用股市或者比特币价格作为输入。 每一个时刻,可能是分、时、日、周等等,会有好几种价格(成交量等其他feature暂略):

    • 开盘价
    • 收盘价
    • 最高价
    • 最低价

    如果我们只使用最高价, 那么features == 1, 如果我们使用多种价格或者把这一时刻的成交量也加进来, 那么features == 4
    从官网文档来看, 这几个参数分别为:(batch_size, timesteps, input_dim)

    关于为什么要reshape成这个样子, 更详细的可以参考:

    How to Reshape Input Data for Long Short-Term Memory Networks in Keras

  • 正则化数据(normalize)

    注意: 如果是其他的数据集,也需要进行类似的操作。 比如MinMaxScaler

  • 因为字符是有限的, 相当于预测是26类之中的哪一个。 因此进行下面的处理方式:

    注意: LSTM算法的输入输出需要转换成数值类型。 因此在其他命题之中, 如果原始输出不是数值, 也需要进行类似的转换。

LSTM 初体验: seq_length =1, features = 1

原文小标题: Naive LSTM for Learning One-Char to One-Char Mapping

这种是最简单朴素的方式。 feature & seq_length 都是1

训练模型

实测一下结果:

原文将这个LSTM模型称为 Navie LSTM. 我们看看后面应该如何提高成绩。

修改: seq_length = 3, feature = 1

两处修改:

此时生成的数据集:

这种方式把输入序列当成3个特征, 个人认为只是一种测试方式。

结果: 100%

比如ABC -> D 实际上, 因为有了context信息, 所以对后面的数据 BCD->E 也是有帮助的。

修改:batch_size

Keras在每一个mini_batch之中会保存状态, 但是这一个batch结束之后, 就会reset。

基于最开始的seq_length = 1, features=1, 我们修改batch_size=len(dataX)

结果: 100%

也可以通过参数强制让Keras不重置状态。

修改: 变长字符

假设Sample长下面这样, 即数据集是变长的。

生成的Sample:

此时的处理方式:

主要是使用pad_sequences。 长度不足的地方会用0填充。

其他一些值得看看的文章:

Tensorflow实例:利用LSTM预测股票每日最高价(一)

Tensorflow实例:利用LSTM预测股票每日最高价(二)

LSTM Neural Network for Time Series Prediction

Multidimensional LSTM Networks to Predict Bitcoin Price

RangerWolf

保持饥渴的专注,追求最佳的品质

文章评论