Внедрение Stateful LSTM

Question

Я хочу, чтобы создать динамическую LSTM

мои данные из 68871 х 43, где функции находятся в колонке нет. 1-42 и обозначить в колонке №. 43

Мои keras LSTM код для классификации данных

import numpy 
import matplotlib.pyplot as plt 
import math 
from keras.models import Sequential 
from keras.layers import Dense 
from keras.layers import LSTM, Dropout 
from sklearn.preprocessing import MinMaxScaler 
from sklearn.metrics import mean_squared_error 
# convert an array of values into a dataset matrix 
def create_dataset(dataset, look_back): 
    dataX, dataY= [], [] 
    for i in range(len(dataset)-look_back-1): 
     a = dataset[i:(i+look_back), 0:43] 
     dataX.append(a) 
     dataY.append(dataset[i + look_back, 43]) 
    return numpy.array(dataX), numpy.array(dataY) 
# fix random seed for reproducibility 
#numpy.random.seed(7) 
# load the dataset 
look_back=5 
dataset = numpy.loadtxt("Source.txt", delimiter=" ") 
# normalize the dataset 
scaler = MinMaxScaler(feature_range=(0, 1)) 
dataset[:,0:43] = scaler.fit_transform(dataset[:,0:43]) 
# split into train and test sets 
train_size = int(len(dataset) * 0.67) 
test_size = len(dataset) - train_size 
train, test = dataset[0:train_size,:], dataset[train_size:len(dataset),:] 
trainX, trainY = create_dataset(train, look_back) 
testX, testY = create_dataset(test, look_back) 
print trainX.shape 
#trainX=numpy.reshape(trainX,(46117,43,25)) 
# create and fit the LSTM network 
model = Sequential() 
model.add(LSTM(10, input_dim=43)) 
#model.add(Dropout(0.3)) 
model.add(Dense(1)) 
model.compile(loss='mean_squared_error', optimizer='adagrad') 
model.fit(trainX, trainY, nb_epoch=10, batch_size=5) 
model.evaluate(testX, testY, batch_size=1) 

Пожалуйста, укажите, какие изменения должны быть сделаны для того, чтобы сделать LSTM отслеживанием состояния Большое спасибо заранее !!!!!

Answer 1

model.add(LSTM(10, input_shape=(5,43), stateful=True)) 

- то, что вы ищете Я думаю. См. here for documentation.

Кроме того, если вы хотите использовать stateful lstm, не имеет смысла перетасовывать данные обучения (что является значением по умолчанию). Поэтому также измените эту строку:

model.fit(trainX, trainY, nb_epoch=10, batch_size=5, shuffle=False)