En tensorflow, quel type de réseau de neurones dois-je utiliser?

Question

Je suis en train de faire tutoriel tensorflow, obtenir ce que TF est. Mais je suis confus au sujet de ce réseau de neurones dois-je utiliser dans mon travail. Je cherche à couche unique Neural Network, CNN, RNN et LSTM RNN.

----------------------- Ce que je vais faire est ...---------- -------------

Il y a un capteur qui mesure quelque chose et représente le résultat de 2 façons booléens. Ici, ils sont bleu et rouge, comme ceci:

le capteur donne des valeurs de résultat tous les 5 minutes. Si l'on empile les valeurs pour chaque couleur, nous pouvons voir quelques modèles:

numéro à l'intérieur de chaque cercle représente la séquence de valeurs de résultat donné par le capteur. (Par exemple, 107 a été donné juste après 106) lorsque vous voyez 122-138, vous pouvez voir decalcomanie comme modèle.

Je veux prédire la prochaine valeur de résultat, avant que le capteur confère le résultat, avec probabilité . La machine a savoir ce que le prochain sera, en fonction des modèles à partir des résultats passés.

Je peut faire l'apprentissage supervisé à l'aide des résultats passés. Mais je ne suis pas sûr de réseau de neurones ou une méthode est appropriée. Pensant que ce travail a besoin de modèles à l'aide des résultats passés (doivent voir le contexte), et mémoriser les résultats passés, peut-être LSTM RNN (mémoire à long court terme réseau de neurones récurrents) serait adéquat.

Pouvez-vous me dire quel est adapté à ce travail?

Answer 1

Bien sûr, vous pouvez utiliser un RNN. Je voudrais créer deux fonctions pour le passé $ des tirages k $, ainsi que la durée de l'exécution en cours; par exemple, juste avant t = 150, l'exécution en cours serait longueur 2 (rouge), et trois pistes précédentes serait (1,1,1) pour le rouge et (1,1,5) pour le bleu. L'intuition est que les longueurs d'exécution semblent suivre une sorte de distribution exponentielle, et que vous voulez aider le modèle d'estimer le paramètre d'échelle en l'alimentant des échantillons de la longueur. Vous pouvez en outre coder les derniers événements k comme une chaîne de bits, avec 1 représentant rouge et bleu 0 représentant. Vous avez un problème de classification, vous devez donc utiliser la perte de classification comme entropie croisée, et une couche de sortie softmax pour obtenir vos probabilités.