Comment appliquer LSTM-autoencoder à des données de séries temporelles de longueur variable?

Question

I lu LSTM-autoencoder dans ce tutoriel: https://blog.keras.io/building-autoencoders-in-keras.html, et coller la mise en oeuvre de keras correspondant ci-dessous:

from keras.layers import Input, LSTM, RepeatVector 
from keras.models import Model 

inputs = Input(shape=(timesteps, input_dim)) 
encoded = LSTM(latent_dim)(inputs) 

decoded = RepeatVector(timesteps)(encoded) 
decoded = LSTM(input_dim, return_sequences=True)(decoded) 

sequence_autoencoder = Model(inputs, decoded) 
encoder = Model(inputs, encoded) 

Dans cette mise en oeuvre, on fixe l'entrée à être de forme (pas de temps, input_dim), ce qui signifie que la longueur de les données de séries chronologiques sont fixées à timesteps. Si je me souviens bien RNN/LSTM peut gérer des données de séries temporelles de longueurs variables et je me demande s'il est possible de modifier le code ci-dessus pour accepter des données de n'importe quelle longueur?

Merci!

Answer 1

Vous pouvez utiliser shape=(None, input_dim)

Mais le RepeatVector aurez besoin de prendre des dimensions hacking directement à partir du tenseur d'entrée. (Le code fonctionne avec tensorflow, pas sûr de theano)

import keras.backend as K 

def repeat(x): 

    stepMatrix = K.ones_like(x[0][:,:,:1]) #matrix with ones, shaped as (batch, steps, 1) 
    latentMatrix = K.expand_dims(x[1],axis=1) #latent vars, shaped as (batch, 1, latent_dim) 

    return K.batch_dot(stepMatrix,latentMatrix) 


decoded = Lambda(repeat)([inputs,encoded]) 
decoded = LSTM(input_dim, return_sequences=True)(decoded)