作业系统:Win10 问题类别:LSTM 使用工具:python,keras 各位高手们 目前小弟在做时间序列的预测遇到了一些问题。 我有300个样本，300个样本都是对同样的物品做温度采集， 量测这个物品从正常到坏掉的温度曲线，这300个样本的长度都不一样。 我想做的是用前一分钟的温度预测後一分钟的温度。 目前的做法是像许多网路的范例，把所有训练资料变成 X[Tn~Tn+60]，Y[Tn+1~Tn+61]再进行模型的训练。 目前模型的架构是如下: model.add(Masking(mask_value=2, input_shape=(60, 1))) model.add(Bidirectional(LSTM(200, return_sequences=True))) model.add(Bidirectional(LSTM(150, return_sequences=True))) model.add(Bidirectional(LSTM(150, return_sequences=True))) model.add(Dense(1)) model.compile(loss='mse', optimizer=Adam(lr=1e-3), metrics=['mape', 'acc']) model.summary() model.fit(X_train, Y_train, epochs=500, batch_size=400, validation_split=0.33,callbacks=[callback], shuffle=True) 会使用Masking的原因是序列没办法被60整除，所以我全都塞2让序列能整除。 之前也试过LSTM，GRU训练的结果都不好。 目前问题是: [1] 训练出来的loss与准确度都很低，有甚麽办法可以改善? [2] 以我这个例子的话，训练资料的切分方式是正确的吗? [3] 每个样本是独立的，像我这样把所有资料混在一起， 资料与资料之间，时间的关联性是不是很低? [4] 有办法一个样本训练完，换下一个样本训练吗? 麻烦各位高手指点我一下，我在这块还很菜... 有甚麽讲的不清楚的，我可以再多做补充，谢谢各位 --

※ 发信站: 批踢踢实业坊(ptt.cc), 来自: 140.130.24.161 ※ 文章网址: https://webptt.com/cn.aspx?n=bbs/DataScience/M.1542169272.A.9BB.html