मैं सीख रहा हूं कि कैसेर्स का उपयोग करना है और मैंने पायथन के लिए चोललेट के डीप लर्निंग पर उदाहरणों का उपयोग करके अपने लेबल किए गए डेटासेट के साथ उचित सफलता प्राप्त की है । 3 संभावित वर्गों के साथ लंबाई 3125 के साथ डेटा सेट ~ 1000 टाइम सीरीज़ है।
मैं मूल सघन परतों से परे जाना चाहता हूं, जो मुझे लगभग 70% भविष्यवाणी दर देती है और पुस्तक LSTM और RNN परतों पर चर्चा करती है।
सभी उदाहरण प्रत्येक समय के लिए कई विशेषताओं के साथ डेटासेट का उपयोग करने लगते हैं और मैं परिणाम के लिए अपने डेटा को लागू करने के तरीके के लिए संघर्ष कर रहा हूं।
यदि उदाहरण के लिए, मेरे पास 1000x3125 टाइम सीरीज़ है, तो मैं इसे SimpleRNN या LSTM लेयर की तरह कैसे खिलाऊँ? क्या मुझे कुछ मूलभूत ज्ञान याद आ रहा है कि ये परतें क्या करती हैं?
वर्तमान कोड:
import pandas as pd
import numpy as np
import os
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM, Dropout, SimpleRNN, Embedding, Reshape
from keras.utils import to_categorical
from keras import regularizers
from sklearn.model_selection import train_test_split
import matplotlib.pyplot as plt
def readData():
# Get labels from the labels.txt file
labels = pd.read_csv('labels.txt', header = None)
labels = labels.values
labels = labels-1
print('One Hot Encoding Data...')
labels = to_categorical(labels)
data = pd.read_csv('ts.txt', header = None)
return data, labels
print('Reading data...')
data, labels = readData()
print('Splitting Data')
data_train, data_test, labels_train, labels_test = train_test_split(data, labels)
print('Building Model...')
#Create model
model = Sequential()
## LSTM / RNN goes here ##
model.add(Dense(3, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
print('Training NN...')
history = model.fit(data_train, labels_train, epochs=1000, batch_size=50,
validation_split=0.25,verbose=2)
results = model.evaluate(data_test, labels_test)
predictions = model.predict(data_test)
print(predictions[0].shape)
print(np.sum(predictions[0]))
print(np.argmax(predictions[0]))
print(results)
acc = history.history['acc']
val_acc = history.history['val_acc']
epochs = range(1, len(acc) + 1)
plt.plot(epochs, acc, 'bo', label='Training acc')
plt.plot(epochs, val_acc, 'b', label='Validation acc')
plt.title('Training and Validation Accuracy')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend()
plt.show()