Keras使用使用动态LSTM/RNN

最新推荐文章于 2022-12-11 22:23:03 发布

原创最新推荐文章于 2022-12-11 22:23:03 发布 · 1.3k 阅读

2 ·

CC 4.0 BY-SA版权

TensorFlow 专栏收录该内容

5 篇文章

订阅专栏

本文探讨了在深度学习中如何使用padding处理不同长度的序列数据，使其统一为固定长度，以便输入到如BiLSTM这样的双向长短期记忆网络中。通过随机生成的数据示例，展示了padding操作的具体实现，并介绍了如何将处理后的序列作为输入，应用到神经网络模型中。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

padding：

def generate(mtp = 100,batch = 50):#最长时间步，词向量长度为200，batch_size = 50
	origin_input = np.random.random_sample([batch,np.random.randint(mtp/2,mtp),200])#时间长随机从mtp/2-mtp选择
    return pad_sequences(origin_input , mtp ,dtype="float32")#不足mtp的 填充到 mtp 长度，默认值为0.0，注意dtype，默认是int32

padding后的向量进行输入:

mtp = 100
vector_size = 200
ipt = Input(shape = (mtp,vector_size),name = "input")
mask = Masking(mask_value=0.0,name = "mask_padding")(ipt)#将值为0的序列时间过滤掉
bilstm = Bidirectional(LSTM(100),name = "bilstm")(mask)
lstm = LSTM(100)(mask)