該程序要通過一個LSTM來實現擬合窗口平均數的功能

先看輸入輸出數據，

print(x_train[:10])

[[[-0.08453234]][[ 0.02169589]][[ 0.07949955]][[ 0.00898136]][[ 0.0405444 ]][[-0.0227726 ]][[ 0.03033169]][[ 0.03801032]][[ 0.04372695]][[ 0.03803725]]]

print(y_train[:10])

[[-0.03537864][-0.03141822][ 0.05059772][ 0.04424045][ 0.02476288][ 0.0088859 ][ 0.00377955][ 0.03417101][ 0.04086864][ 0.0408821 ]]

?y_train就是 x_train 兩兩數的平均值，不過 x_train 的最初的第一個數舍去了，看起來 y_train 的第一個數沒什么道理似的，這個不必關心

x_train.shape: ?(800, 1, 1)
y_train.shape: ?(800, 1)
x_test.shape: ?(200, 1, 1)
y_test.shape: ?(200, 1)

然后是神經網絡結構，無論stateful是否為True，結構都是一樣的：

_________________________________________________________________
Layer (type)                 Output Shape              Param #
=================================================================
lstm_1 (LSTM)                (1, 20)                   1760
_________________________________________________________________
dense_1 (Dense)              (1, 1)                    21
=================================================================
Total params: 1,781
Trainable params: 1,781
Non-trainable params: 0
_________________________________________________________________

注意：在stateful = True 時，我們要在fit中手動使得shuffle = False

預測結果：

?

從訓練時的打印來看：

stateful=True 時，

Epoch 10 / 10
Train on 800 samples, validate on 200 samples
Epoch 1/1
800/800 [==============================] - 2s 2ms/step - loss: 4.9922e-06 - val_loss: 2.9957e-06

而?stateful=False 時，

Epoch 10/10
800/800 [==============================] - 2s 2ms/step - loss: 8.5024e-04 - val_loss: 9.6397e-04

原理部分介紹可以參考

https://blog.csdn.net/qq_27586341/article/details/88239404

——————————————————————

總目錄

keras的example文件解析

總結

以上是生活随笔為你收集整理的keras 的 example 文件 lstm_stateful.py 解析的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。