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））））