数据挖掘 - 了解 TensorFlow LSTM 模型？ - 吾爱随笔录

我在理解TensorFlow中的 LSTM 模型时遇到了一些麻烦。为简单起见，让我们考虑示例程序。

我使用tflearn作为包装器，因为它会自动执行所有初始化和其他更高级别的操作。

直到行号42 net = tflearn.input_data([None, 200])很清楚会发生什么。

您将数据集加载到变量中，并在本例中将其设为标准长度 200。对于输入变量以及本例中存在的 2 个类，都将其转换为一个热向量。

我想在这里知道的是 LSTM 如何获取输入以及它预测输出的样本数量？

这些参数表示什么：n_words=20000& net = tflearn.embedding(net, input_dim=20000, output_dim=128)?

我的目标是复制论文中的活动识别数据集。

例如，我想输入一个 4096 向量作为 lstm 的输入，想法是取 16 个这样的向量，然后生成分类结果。

我认为代码看起来像这样，但我不知道应该如何给出 LSTM 的输入

from __future__ import division, print_function, absolute_import

import tflearn
from tflearn.data_utils import to_categorical, pad_sequences
from tflearn.datasets import imdb

train, val = something.load_data()
trainX, trainY = train #each X sample is a (16,4096) nd float64 
valX, valY = val #each Y is a one hot vector of 101 classes.

net = tflearn.input_data([None, 16,4096])
net = tflearn.embedding(net, input_dim=4096, output_dim=256)
net = tflearn.lstm(net, 256)
net = tflearn.dropout(net, 0.5)
net = tflearn.lstm(net, 256)
net = tflearn.dropout(net, 0.5)
net = tflearn.fully_connected(net, 101, activation='softmax')
net = tflearn.regression(net, optimizer='adam',
                         loss='categorical_crossentropy')

model = tflearn.DNN(net, clip_gradients=0., tensorboard_verbose=3)
model.fit(trainX, trainY, validation_set=(testX, testY), show_metric=True,
          batch_size=128,n_epoch=2,snapshot_epoch=True)