Tôi nên sử dụng bao nhiêu tế bào LSTM?

Có bất kỳ quy tắc nào (hoặc quy tắc thực tế) liên quan đến số lượng tế bào LSTM tối thiểu, tối đa và "hợp lý" mà tôi nên sử dụng không? Cụ thể tôi có liên quan đến BasicLSTMCell từ TensorFlow và num_unitstài sản.

Hãy giả sử rằng tôi có một vấn đề phân loại được xác định bởi:

t - number of time steps
n - length of input vector in each time step
m - length of output vector (number of classes)
i - number of training examples

Có đúng không, ví dụ, số lượng ví dụ đào tạo nên lớn hơn:

4*((n+1)*m + m*m)*c

nơi clà số lượng tế bào? Tôi dựa trên điều này: Làm thế nào để tính số lượng tham số của mạng LSTM? Theo tôi hiểu, điều này sẽ đưa ra tổng số tham số, nên ít hơn số lượng ví dụ đào tạo.

rnn machine-learning r predictive-modeling random-forest python language-model sentiment-analysis encoding machine-learning deep-learning neural-network dataset caffe classification xgboost multiclass-classification unbalanced-classes time-series descriptive-statistics python r clustering machine-learning python deep-learning tensorflow machine-learning python predictive-modeling probability scikit-learn svm machine-learning python classification gradient-descent regression research python neural-network deep-learning convnet keras python tensorflow machine-learning deep-learning tensorflow python r bigdata visualization rstudio pandas pyspark dataset time-series multilabel-classification machine-learning neural-network ensemble-modeling kaggle machine-learning linear-regression cnn convnet machine-learning tensorflow association-rules machine-learning predictive-modeling training model-selection neural-network keras deep-learning deep-learning convnet image-classification predictive-modeling prediction machine-learning python classification predictive-modeling scikit-learn machine-learning python random-forest sampling training recommender-system books python neural-network nlp deep-learning tensorflow python matlab information-retrieval search search-engine deep-learning convnet keras machine-learning python cross-validation sampling machine-learning

— cộng đồng
nguồn

Tôi sẽ xem bài viết này đề cập đến chủ đề so sánh các mô hình học sâu liên tiếp cũng như điều chỉnh siêu tham số: arxiv.org/pdf/1503.04069.pdf Tóm lại, họ đề xuất một cách rõ ràng, rằng tăng số lượng khối LSTM trên mỗi ẩn lớp cải thiện hiệu suất nhưng có lợi nhuận giảm dần & tăng thời gian đào tạo.

— CubeBot88

Số lượng ví dụ đào tạo tối thiểu là những gì bạn có trên đó:

4 (n m + n^{2})

$4(nm + n^2)$

Để biết thêm thông tin tham khảo bài viết này: Tham khảo liên kết này nếu bạn cần một số trợ giúp trực quan: Số lượng tham số trong mô hình LSTM

Số lượng đơn vị trong mỗi lớp của ngăn xếp có thể khác nhau. Ví dụ: trong translate.py từ Tensorflow, nó có thể được cấu hình thành 1024, 512 hoặc hầu như bất kỳ số nào. Phạm vi tốt nhất có thể được tìm thấy thông qua xác nhận chéo. Nhưng tôi đã thấy cả 1000 và 500 số đơn vị trong mỗi lớp của ngăn xếp. Cá nhân tôi đã thử nghiệm với số lượng nhỏ hơn là tốt.

— Ali
nguồn