人们谈论LSTM预测下一个时间步。这意味着它应该识别一个模式来做出预测。假设在学习阶段它经常看到1 2 3的序列。所以当它看到1 2时，它会预测3。对吗？

但如果我不想预测数字怎么办？如果我需要LSTM识别一个无法简单量化的模式呢？

这里有一个例子。波浪。你是一个LSTM，你在海滩上（不错！）。你在数波浪。你的输入是三维向量。每个观察值是{高度，速度，时间}（时间是自上次观察以来的秒数计数 – 这很重要，因为波浪的间隔是可变的）。但你在离海滩100米的地方看到波浪。你站在离水边10米的地方。

我希望你能识别出波浪模式，这些模式会导致你的脚被波浪序列弄湿。

所以这个问题有两个不同的挑战。

一个是“迫近性” – 由于波浪的速度不同，无法知道波浪到达你的脚需要多长时间。不同的模式会在不同的时间做到这一点。因此，从LSTM识别出好的模式的时间步M到波浪到达你的脚的时间步N之间的距离，每个好的模式都会有所不同。

第二个是输出（假设我想要0或1）不在输入序列中。它不是预测下一个波浪，而是预测0/1。

谁能建议这样一个LSTM的高层次架构？我如何编程“脚湿”？在批量机器学习中，这将被称为监督学习，我会用“脚湿”标签标记某些数据点。

这里还有一个考虑。也许它应该是堆叠的。假设有3个LSTM。因为一些波浪对“脚湿”事件的贡献显著，而有些则不然。我在想，可能我需要一台机器学习小模式，另外两台机器学习模式的模式，第三台机器实际上从中预测“脚湿”。

有什么想法吗？

回答：

查看https://github.com/fchollet/keras/blob/master/examples/imdb_lstm.py，了解使用LSTM进行分类任务的示例。最基本的架构只是一个LSTM层，后跟一个输出节点：

model = Sequential()model.add(Embedding(max_features, 128))model.add(LSTM(128, dropout=0.2, recurrent_dropout=0.2))model.add(Dense(1, activation='sigmoid'))