Question

该模型将LSTM作为其第一层。

当调用model.predict时，你会传递几个样本：

>sam = np.array([ [[.5, .6, .3]], [[.6, .6, .3]], [[.5, .6, .3]] ])
>model.predict(sam)
array([[ 0.23589483],
       [ 0.2327884 ],
       [ 0.23589483]])

上面我们看到了映射：[[。5，.6，.3]] - ＆gt; 0.23589483等（1个元素的序列，长度为3的向量，映射到实数）

模型的input_length为1，input_dim为3.请注意，第一个和最后一个相同，输出相同（0.23589483）。所以我的假设是在Keras处理一个样本（在这种情况下是一个3-D矢量序列）之后，它会重置模型的内存。这就是每个序列基本上是独立的。在这种观点中是否有任何不正确或误导？

使用input_length 3和input_dim 1进行另一个示例。这次，切换序列中的值并查看不同的结果（将第二个列表与最后一个列表进行比较）。因此，当Keras处理序列时，内存正在发生变化，但是当完成处理时，内存将重置（第一个和第二个序列具有相同的结果）。

sam = np.array([ [[.1],[.1],[.9]], [[.1],[.9],[.1]], [[.1],[.1],[.9]]   ])
model.predict(sam)
array([[ 0.69906837],
   [ 0.1454899 ],
   [ 0.69906837]])

上面我们看到映射[[.1]，[。1]，[。9]] - ＆gt; 0.69906837等（3个元素到实数的序列）

Answer 1

您正在调用model.predict()这意味着在处理输入时网络权重不会发生变化，因此当您输入[[.1],[.1],[.9]]时，无论其他输入收到什么，它都会产生相同的结果。请注意，当您训练模型并预测测试数据时，这是首选行为。您不希望另外您提供的测试数据会影响您的预测。

您可以在model.fit()中看到您期望的效果，例如您可以使用model.train_on_batch()来训练输入（并更新模型权重），然后调用model.predict()以查看输出变化

编辑：如果您要查找LSTM状态而不是网络权重，则应将stateful=True传递给图层的初始值，将其设置为False默认。使用stateful时，您也必须传递batch_input_shape参数。有关详细信息，请参阅here。请注意，如果您希望每个输入都影响下一个预测，则必须将批量大小设置为1（例如batch_input_shape=(1,3,1)），因为批量处理的样本并行进行评估，并且它们不会相互影响。< / p>

Answer 2

我很欣赏这是一个老问题，但希望这个答案可以帮助像我这样的其他Keras初学者。

我在我的机器上运行了这个例子，并观察到LSTM的隐藏状态和单元状态确实在调用model.predict时发生了变化。

import numpy as np
import keras.backend as K
from keras.models import Model
from keras.layers import LSTM

batch_size = 1
timestep_size = 2
num_features = 4

inputs = Input(batch_shape=(batch_size, timestep_size, num_features)
x = LSTM(num_features, stateful=True)(inputs)

model = Model(inputs=inputs, outputs=x)
model.compile(loss="mse",
              optimizer="rmsprop",
              metrics=["accuracy"])

x = np.random.randint((10,2,4))
y = np.ones((10,4))
model.fit(x,y, epochs=100, batch_size=1)

def get_internal_state(model):
    # get the internal state of the LSTM
    # see https://github.com/fchollet/keras/issues/218
    h, c = [K.get_value(s) for s, _ in model.state_updates]
    return h, c

print "After fitting:", get_internal_state(model)

for i in range(3):
    x = np.random.randint((10,2,4))
    model.predict(x)
    print "After predict:", get_internal_state(model)

以下是培训后调用get_internal_state的输出示例：

After_fitting: (array([[ 1.,  1.,  1.,  1.]], dtype=float32), array([[  11.33725166,   11.8036108 ,  181.75688171,   25.50110626]], dtype=float32))
After predict (array([[ 1.        ,  0.99999994,  1.        ,  1.        ]], dtype=float32), array([[   9.26870918,    8.83847237,  179.92633057,   28.89341927]], dtype=float32))
After predict (array([[ 0.99999571,  0.9992013 ,  1.        ,  0.9915328 ]], dtype=float32), array([[   6.5174489 ,    8.55165958,  171.42166138,   25.49199104]], dtype=float32))
After predict (array([[ 1.,  1.,  1.,  1.]], dtype=float32), array([[   9.78496075,    9.27927303,  169.95401001,   28.74017715]], dtype=float32))

在Keras中，LSTM状态在调用model.predict时是否重置？

2 个答案: