我想知道如何處理記錄的時間序列資料以將其輸入 RNN。
我想用 16 個時間步長的資料和 15 個標簽來讓 RNN 對第 16 個時間步長進行分類（如果這有意義的話）。通過使用批處理的每三個條目，我可以覆寫大約 3 秒的資料，每秒有合理數量的條目。
這是記錄資料的較小的 .csv。“時間”和“五月天”列僅供參考，以確保所有內容都正確標記，因此可以洗掉。
這是洗掉不相關列后我的資料的樣子
這是我迄今為止在google colab中嘗試過的方法， 不幸的是這種方法不起作用，并且在呼叫model.fit時我得到一個“AttributeError：'tuple'物件沒有屬性'shape'”。
或者我也試過這個：
data = pd.read_csv("slim.csv", sep=",")
data.drop(['Time', 'Mayday'], axis=1)
dataset = tf.data.Dataset.from_tensor_slices(data)
但是從那里開始，我不確定如何處理資料以獲得所需的結果，因為在資料集上呼叫 tf.keras.preprocessing.timeseries_dataset_from_array() 會以錯誤訊息終止
'TensorSliceDataset' object is not subscriptable
uj5u.com熱心網友回復：
你的想法很好。問題是train_target并且test_target正在回傳元組，因為正如檔案所述：
回傳一個 tf.data.Dataset 實體。如果通過了目標，則資料集產生元組（batch_of_sequences，batch_of_targets）。如果不是，則資料集僅產生 batch_of_sequences。
由于您只對這種情況下的目標感興趣，因此您可以運行：
data_set = tf.data.Dataset.zip( (train_input ,train_target.map(lambda x, y: y)))
test_set = tf.data.Dataset.zip( (test_input ,test_target.map(lambda x, y: y)))
但請注意，這仍然行不通，因為您的目標具有形狀(32, 11)，而模型的輸出形狀為(32, 3). 所以你應該問問自己你到底想要達到什么目標。
更新 1
嘗試：
import tensorflow as tf
data = pd.read_csv("slim.csv", sep=",")
data.drop(['Time', 'Mayday'], axis=1)
window_size = 16
dataset = tf.data.Dataset.from_tensor_slices((data.values)).window(window_size, shift=3, drop_remainder=True)
dataset = dataset.flat_map(lambda window: window.batch(window_size)).batch(32)
dataset = dataset.map(lambda x: (x[:, :, :10], x[:, 15, -1]))
model = tf.keras.models.Sequential([
tf.keras.layers.GRU(input_shape=(None, 10), units= 128),
tf.keras.layers.Dropout(0.1),
tf.keras.layers.Dense(units=128, activation='tanh'),
tf.keras.layers.Dense(units=3, activation='softmax')
])
model.compile(optimizer="adam", loss="sparse_categorical_crossentropy", metrics=["accuracy"])
model.fit(dataset, epochs=5)
轉載請註明出處，本文鏈接：https://www.uj5u.com/shujuku/452264.html