lstm如何为LSTM重新构建输入数据

LSTM神经网络有推理能力吗？

首先推理是用以知来解读未知，在用证据来加强对未知答案的确定，这个事情就是这么发展的 ，而不是像1+1就是等于2这样肯定，想要肯定只能是用相关的线索来加强确定， 而LSTM神经网路的性质就是，1+1就是等于2，这样楼主能理解吗？也就是说它是不含推理能力的。

当前主流的语言模型是n-gram还是RNN/LSTM

语言模型主要分为规则模型和统计模型两种。

统计语言模型是用概率统计的方法来揭示语言单位内在的统计规律，其中N-Gram简单有效，被广泛使用。

N-Gram：该模型基于这样一种假设，第n个词的出现只与前面N-1个词相关，而与其它任何词都不相关，整句的概率就是各个词出现概率的乘积。

这些概率可以通过直接从语料中统计N个词同时出现的次数得到。

常用的是二元的Bi-Gram和三元的Tri-Gram。

语言模型的性能通常用交叉熵和复杂度（Perplexity）来衡量。

交叉熵的意义是用该模型对文本识别的难度，或者从压缩的角度来看，每个词平均要用几个位来编码。

复杂度的意义是用该模型表示这一文本平均的分支数，其倒数可视为每个词的平均概率。

平滑是指对没观察到的N元组合赋予一个概率值，以保证词序列总能通过语言模型得到一个概率值。

通常使用的平滑技术有图灵估计、删除插值平滑、Katz平滑和Kneser-Ney平滑。

LSTM神经网络输入输出究竟是怎样的

LSTM的三个门输出数字和向量的情况都有。

门（input，et，output）输出的维度和cell状态的维度一致即可。

也就是说三个门的输出分别控制被控制向量（cell input，cell（t-1），cell（t））中的元素。

举个例子，如果cell状态的维度是1，那么被控制向量（cell input，cell（t-1），cell（t））的维度也都是1，那么三个门的输出都是0-1之间的数字（选用sigmoid激活函数）；如果cell状态的维度是N，那么被控制向量（cell input，cell（t-1），cell（t））的维度也分别都是N，那么三个门的输出都是0-1之间的向量（选用sigmoid激活函数），且门输出向量的维度都是N。

如何为LSTM重新构建输入数据

教程概述 本文分为4部分： 1. LSTM输入层。

2. 具有单输入样本的LSTM示例。

3. 具有多个输入特征的LSTM示例。

4. LSTM输入提示。

2 LSTM输入层 LSTM输入层是由神经网络第一个隐藏层上的“input_shape”参数指定的。

这可能会让初学者感到困惑。

例如，以下是具有一个隐藏的LSTM层和一个密集输出层组成的神经网络示例。

3 在这个例子中，我们可以看到LSTM（）层必须指定输入的形状。

而且每个LSTM层的输入必须是三维的。

这输入的三个维度是： 样品。

一个序列是一个样本。

批次由一个或多个样本组成。

时间步。

一个时间步代表样本中的一个观察点。

特征。

一个特征是在一个时间步长的观察得到的。

这意味着输入层在拟合模型时以及在做出预测时，对数据的要求必须是3D数组，即使数组的特定维度仅包含单个值。

当定义LSTM网络的输入层时，网络假设你有一个或多个样本，并会给你指定时间步长和特征数量。

你可以通过修改“ input_shape ”的参数修改时间步长和特征数量。

例如，下面的模型定义了包含一个或多个样本，50个时间步长和2个特征的输入层。

具有单输入样本的LSTM示例 考虑到你可能会有多个时间步骤和一个特征序列的情况，所以我们先从这种情况讲起。

例如，这是一个包含10个数字的序列： 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0 我们可以将这个数字序列定义为NumPy数组。

然后，我们可以使用NumPy数组中的reshape（）函数将这个一维数组重构为三维数组，每个时间步长为1个样本，那么我们需要10个时间步长和1个特征。

在数组上调用的reshape（）函数需要一个参数，它是定义数组新形状的元组。

我们不能干涉数据的重塑，重塑必须均匀地重组数组中的数据。

一旦重塑，我们可以打印阵列的新形状。

完整的例子如下： 运行示例打印单个样本的新3D形状： 该数据现在可以为input_shape（10，1）的LSTM的输入（X）。

具有多个输入功能的LSTM示例 你的模型可能有多个并行数据作为输入的情况，接下来我们来看看这种情况。

例如，这可以是两个并行的10个值： series 1: 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0 series 2: 1.0, 0.9, 0.8, 0.7, 0.6, 0.5, 0.4, 0.3, 0.2, 0.1 我们可以将这些数据定义为具有10行的2列的矩阵： 该数据可以被设置为1个样本，具有10个时间步长和2个特征。

它可以重新整形为3D阵列，如下所示： 完整的例子如下： 运行示例打印单个样本的新3D形状。

(1, 10, 2) 该数据现在可以为input_shape（10,2）作为LSTM的输入（X）使用。