DeepLearning之之LSTM模型输入参数：模型输入参数：time_step,
input_size, batch_size的理解的理解
1. LSTM模型模型 输入参数理解输入参数理解
（Long Short-Term Memory）
lstm是RNN模型的一种变种模式，增加了输入门，遗忘门，输出门。
LSTM也是在时间序列预测中的常用模型。
小白我也是从这个模型入门来开始机器学习的坑。
LSTM的基本概念与各个门的解释已经有博文写的非常详细：推荐博文:【译】理解LSTM（通俗易懂版）
这篇文章写的非常详细，生动，概念解释的非常清楚。我也是从这个博文里开始理解的。
2. 模型参数模型参数
模型的调参是模型训练中非常重要的一部分，调整参数前的重要一步就是要理解参数是什么意思，才能帮助更好的调整参数。
但是发现在一些实战模型将代码直接放在那里，但是基本参数只是把定义写在哪里，没有生动的解释，我一开始看的时候也是
一脸懵逼。
在我寻找着写参数的额定义的时候，往往看不到让小白一眼就能明白的解释。
希望从一个小白的角度来讲解我眼中的这些参数是什么意思，如果有不对，还请指出交流。
3. LSTM 的参数输入格式的参数输入格式
1. 一般表示为一般表示为[batch_size, time_step, input_size]
2. 中文解释为中文解释为[每一次每一次feed数据的行数，时间步长，输入变量个数数据的行数，时间步长，输入变量个数]
3.1 分开讲解，分开讲解，input_size
如果你使用7个自变量来预测1个因变量，那么input_size=7，output_size=1
如果你使用8个自变量来预测3个因变量，那么input_size=8，output_size=3
这个还是比较好理解的，你的输入数据，想要通过什么变量预测什么变量应该是比较清楚的。
难点是另外两个参数的区别。难点是另外两个参数的区别。
3.2 分开讲解，分开讲解，batch_size
如果你的数据有10000行，训练100次把所有数据训练完，那么你的batch_size=10000/100=100
如果你的数据有20000行，同样训练100次把所有数据训练完，那么你的batch_size=20000/100=200
如果你的数据有20000行，训练50次把所有数据训练完，那么你的batch_size=20000/50=400
以此类推
不过只是举个例子，实际的情况要看你的数据样本，一般的batch_size小于100，来使你的训练结果更好，一次feed太多行数
据，模型容易吃撑，消化不良，可能需要健胃消食片，哈哈哈哈
3.3 分开讲解，分开讲解， time_step
最最最最难理解的就是这个time_step了，我也是琢磨了好久。
首先要知道，time_step是指的哪个过程？
是不是看到的图都是在画，输入了什么，遗忘了什么，输出了什么，以为每个细胞状态都是1个time_step?
如果这样的话，那么恭喜你，你和我一样，都是想错了，其实那些一串的流程细胞状态图都是在1个time_step！都是在1个
time_step！都是在1个time_step！
是不是很惊讶，很奇怪？
那讲的是time_step的内部进行的，而不是在time_step之间。
换句话说，所谓的换句话说，所谓的t-1的遗留状态也是在一个的遗留状态也是在一个time_step里面的事情，里面的事情，t多少取决于多少取决于time_step的取值。的取值。
此时，再来看看time_step的本身含义，时间步长，时间步长，那么一定是是和时间有关系啊！！！
4. 重点重点
4.1 batch_size与与time_step
之前的batch_size中只是规定了一个每次feed多少行数据进去，并没有涵盖一个时间的概念进去，
而这个参数刚好就是对于时间的限制，毕竟你是做时间序列预测，所以才多了这个参数。
换句话说，就是在一个batch_size中，你要定义一下每次数据的时间序列是多少？
评论0