from keras.models import Sequential
from keras.layers import LSTM, Dense
import numpy as np
data_dim = 200
timesteps = 500
num_classes = 2
# expected input data shape: (batch_size, timesteps, data_dim)
model = Sequential()
model.add(LSTM(32, return_sequences=True,
input_shape=(timesteps, data_dim))) # returns a sequence of vectors of dimension 32
model.add(LSTM(32, return_sequences=True)) # returns a sequence of vectors of dimension 32
model.add(LSTM(32)) # return a single vector of dimension 32
model.add(Dense(num_class, activation='softmax'))
model.compile(loss='categorical_crossentropy',
optimizer='rmsprop',
metrics=['accuracy'])
# Generate dummy training data
x_train = np.random.random((1000, timesteps, data_dim))
y_train = np.random.random((1000, num_classes))
# Generate dummy validation data
x_val = np.random.random((100, timesteps, data_dim))
y_val = np.random.random((100, num_classes))
model.fit(x_train, y_train,
batch_size=64, epochs=5,
validation_data=(x_val, y_val))
سلام
این یه نمونه از روی خوده سایت Keras که برداشتم و پارامترهای شما رو گذاشتم (ابعاد، تعداد کلاس و ....)
https://keras.io/getting-started/sequential-model-guide
(قسمت Stacked LSTM for sequence classification رو ببینید)
این فقط یک نمونه ساختار شبکه‌اس و بسته به اینکه چه کاری می‌خواهید انجام بدید، انواع ساختارها رو میشه داشت
مثلا آیا بعد از هر 500 تایم استپ می‌خواید classification اتفاق بیوفته یا نه، می شه دنباله رو شکوند؟
آیا شبکه باید در استپهای میانی چیزی به عنوان خروجی بده یا اینکه نه؟
آیا مساله‌ای که حل می‌کنید باید از نوع Deep LSTM باشه یا نه، مثلا میشه با شبکه‌های ساده تر هم حلش کرد؟
....
به هر حال فکر می کنم این کد شروع خوبی باشه :)