Keras的序列处理 – 1
TimeseriesGenerator
keras.preprocessing.sequence.TimeseriesGenerator(data,targets,length,sampling_rate = 1,stride = 1,start_index = 0,end_index = None,shuffle = False,reverse = False,batch_size = 128)
用于创建瞬态信息块的实用程序类。
该类接收在等效的时间段内组装的信息焦点组,以及时间安排参数,例如步行,历史长度等,以创建用于准备/批准的集群。
争论
- 信息:包含连续信息焦点(时间步长)的可索引生成器(例如,rundown或Numpy展示)。信息应该是2D,并且枢轴0需要是时间测量。
- 目标:与信息中的时间步长相比较的目标。它应该与信息具有相同的长度。
- length:产量连续的长度(以步数为单位)。
- sampling_rate:继承中渐进的单个时间步长之间的时间段。对于速率r,时间步数据(i),数据(i-r),…数据(i-长度)用于作为示例布置。
- walk:渐进收益分组之间的时间段。对于步行s,顺序产量测试将基于数据(i),数据(i + s),数据(i + 2 * s)等。
- start_index:数据中心化的时间早于start_index,不会在yield分组中使用。这对于保存部分信息以进行测试或批准很有价值。
- end_index:数据中心化晚于end_index将不会在yield连续中使用。这对于保留一部分信息以进行测试或批准很有价值。
- mix:是否重新排列收益率测试,或者更确切地说是吸引顺序请求。
- 转身:布尔值:假设是正版,每次收益率测试中的时间步长将是向后顺序请求。
- batch_size:每个丛中的时间序列测试数(除了可能是最后一个)。
返回
序列案例。
楷模
来自keras.preprocessing.sequence导入TimeseriesGenerator
导入numpy为np
information = np.array(((i)我在范围内(50)))
targets = np.array(((i)我在范围内(50)))
data_gen = TimeseriesGenerator(数据,目标,
length = 10,sampling_rate = 2,
的batch_size = 2)
肯定len(data_gen)== 20
batch_0 = data_gen(0)
x,y = batch_0
肯定np.array_equal(x,
np.array((((0),(2),(4),(6),(8)),
((1),(3),(5),(7),(9)))))
肯定np.array_equal(y,
np.array(((10),(11))))