我正在尝试在 10 秒的 EEG 数据段上运行 1D CNN，然后使用 RNN 覆盖段之间的时间连接。
问题是，RNN 期望输入，batch_size x sequence_length x num_inputs而 CNN 输出batch_size x num_filters x sequence_length
这可以通过一个dim-shuffle层来解决
network = L.InputLayer(shape=(None, data_size[1], data_size[2]), input_var=input_var)
network = L.Conv1DLayer( network, num_filters=32, filter_size = 5)
network = L.DimshuffleLayer(network, (0, 2, 1))
network = L.LSTMLayer(network, 200)
但据我所知，RNN 现在将只覆盖序列长度内的时间连接，而不是不同批次之间的时间连接，对吗？
如何获得段之间的时间连接？
回答我自己的问题：
RNN 确实只会学习一批内的依赖关系。然而，Keras 有一种模式允许状态在批次之间转换：stateful=True
network = keras.layers.LSTM(network, stateful=True)
现在以正确的顺序输入批次很重要：每个批次的第 i 个元素将与第 i 个批次在时间 t-1 的状态一起学习。这意味着您在喂食批次时需要非常小心。
请注意，这只会转换单元格状态，而不会在批次之间进行反向传播。作为一个副作用，您在预测时的初始状态将必须设置并偏向您的结果。
本文收集自互联网，转载请注明来源。
如有侵权，请联系 [email protected] 删除。
我来说两句