(sample, time_steps, features) representa el tensor que alimentarás en tu LSTM, veamos estas tres “dimensiones” (lo llamamos rango para un tensor).
muestra: es el tamaño de su minibatch: cuántos ejemplos da a la vez a su red neuronal.
time_steps: esa es la longitud de una secuencia. No olvide que las redes neuronales recurrentes están diseñadas para procesar series temporales.
- ¿Cuál es la diferencia entre el análisis factorial exploratorio (EFA) y el análisis factorial confirmatorio (CFA)?
- ¿Qué es Distill y cuál es su importancia para la investigación de Machine Learning?
- ¿Qué factores además del conjunto de datos afectan cómo se elige el tamaño de lote para el descenso de gradiente estocástico (SGD) mini-lote?
- ¿Dónde puedo encontrar un buen tutorial para la red neuronal de convolución regional?
- ¿Qué tan difícil es entrenar idiomas indios con CMUSphinx?
características: esa es la dimensión de cada elemento de la serie temporal.
Digamos que intentamos modelar cómo vuela una abeja. Ponemos un sensor en la abeja, registramos su posición a 200Hz (200 cuadros por segundo) durante unos días.
Luego, entrena un LSTM utilizando la subsecuencia de esta grabación. Aquí, time_steps representará el número de fotogramas en la subsecuencia (por ejemplo, digamos 600 si proporciona 3 segundos) y las características serán iguales a tres, porque hemos registrado la posición espacial (x, y, z) de la abeja .
Espero que ayude 🙂
