BLOCKCHAIN

Processamento de seqüências Keras – 1


Processamento de seqüências Keras - 1

TimeseriesGenerator

keras.preprocessing.sequence.TimeseriesGenerator [dados, metas, tamanho, sampling_rate = 1, stride = 1, start_index = 0, end_index = Nenhum, shuffle = False, reverse = False, batch_size = 128]

Uma classe de utilitário para criar blocos de informações transitórios.

Essa classe recebe grupos de foco de informações montados durante um período de tempo equivalente, além de programar parâmetros como caminhada, duração histórica, etc., para criar um cluster para preparação / aprovação.

Controvérsia

Informações: Um gerador indexável que contém foco de informações contínuas [intervalo de tempo] [por exemplo, exibição em degradê ou Numpy]. As informações devem ser 2D e o pivô 0 precisa ser uma medida de tempo. Objetivo: uma meta que é comparada com a etapa de tempo na mensagem. Deve ter o mesmo comprimento que a informação. Comprimento: O comprimento da produção contínua [em etapas]. Sampling_rate: O período de tempo entre sucessivos tamanhos de etapa única em herança. Para a taxa r, os dados da etapa de tempo [i], os dados [i-r], … os dados [i-length] são usados ​​como um arranjo de exemplo. Walk: O período de tempo entre os grupos de renda progressiva. Para a caminhada s, o teste de rendimento seqüencial será baseado em dados [i], dados [i + s], dados [i + 2 * s] e assim por diante. Start_index: O tempo de centralização de dados é anterior a start_index e não será usado no grupo de rendimento. Isso é valioso para salvar algumas informações para teste ou aprovação. End_index: A centralização de dados posterior a end_index não será usada na continuação de rendimento. Isso é valioso para manter uma parte das informações para teste ou aprovação. Mix: se reorganizar o teste de rendimento, ou mais precisamente, para atrair solicitações sequenciais. Virar: Booleano: Suponha que seja genuíno, o intervalo de tempo em cada teste de rendimento será um pedido de ordem inversa. Batch_size: O número de testes de séries temporais em cada plex [exceto possivelmente o último].

de

Retorno

Caso de seqüência.

Modelo

Importar o TimeseriesGenerator de keras.preprocessing.sequence

Importar numpy para np

Informações = np.array [[[i] estou no intervalo [50]]

Targets = np.array [[[i] estou no intervalo [50]]

Data_gen = TimeseriesGenerator [dados, destino,

Comprimento = 10, sampling_rate = 2,

Batch_size = 2]

Claro len [data_gen] == 20

Batch_0 = data_gen [0]

x, y = lote_0

Claro, np.array_equal [x,

Np.array [[[[[0], [2], [4], [6], [8]]],

[[1], [3], [5], [7], [9]]]]]

Claro, np.array_equal [y,

Np.array [[[10], [11]]]]]

Fonte de informação: compilada a partir de informação 0xde

NVESTLABSde

. Copyright pertence ao autor Anusha, sem permissão, não pode ser reproduzido


0X簡體中文版:

Processamento de seqüências Keras - 1