我有一个包含约1000个节点的数据集，每个节点有4个时间序列。每个时间序列的长度均为6。标签为0或1（即二元分类）。

更具体地说，我的数据集如下所示。

node, time-series1, time_series2, time_series_3, time_series4, Labeln1, [1.2, 2.5, 3.7, 4.2, 5.6, 8.8], [6.2, 5.5, 4.7, 3.2, 2.6, 1.8], …, 1n2, [5.2, 4.5, 3.7, 2.2, 1.6, 0.8], [8.2, 7.5, 6.7, 5.2, 4.6, 1.8], …, 0and so on.

在将时间序列输入到我的LSTM模型进行分类之前，我会对其进行normalise处理。

model = Sequential()model.add(LSTM(10, input_shape=(6,4)))model.add(Dense(32))model.add(Dense(1, activation='sigmoid'))model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])print(data.shape) # (1000, 6, 4)model.fit(data, target)

我刚开始使用Keras，所以从最简单的LSTM模型开始。然而，现在我想将其提升到可以用于工业级别的水平。

我读到在LSTM模型中添加dropout和attention层是个好主意。请告诉我是否认为添加这些层适合我的问题，如果适合，如何操作？:)

注意：我不限于dropout和attention层，乐于接受其他可以改善模型的建议。

如果需要，我很乐意提供更多细节。

回答：

如果你想在LSTM单元中添加dropout，可以尝试如下操作

model = Sequential()model.add(LSTM(10, input_shape=(6,4), dropout=0.5))model.add(Dense(32))model.add(Dense(1, activation='sigmoid'))model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])print(data.shape) # (1000, 6, 4)model.fit(data, target)

或者在LSTM单元之间使用dropout，可以考虑以下方式

model = Sequential()model.add(LSTM(10, input_shape=(6,4)))model.add(Dropout(0.5))model.add(LSTM(10, input_shape=(6,4)))model.add(Dense(32))model.add(Dense(1, activation='sigmoid'))model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])print(data.shape) # (1000, 6, 4)model.fit(data, target)