In tensorflow, che tipo di rete neurale dovrei usare?

Question

sto facendo tensorflow tutorial, ottenendo ciò TF è. Ma sto confuso su ciò rete neurale dovrei usare nel mio lavoro. Sto guardando un solo strato Neural Network, CNN, RNN, e LSTM RNN.

----------------------- Quello che sto per fare è ...---------- -------------

C'è un sensore che misura qualcosa e rappresenta il risultato in 2 modi booleani. Qui, sono blu e rosso, in questo modo:

il sensore fornisce valori dei risultati ogni cinque minuti. Se noi accumuliamo i valori per ogni colore, possiamo vedere alcuni modelli:

numero all'interno di ogni cerchio rappresenta la sequenza dei valori dei risultati forniti dal sensore. (Ad esempio, 107 è stato dato subito dopo 106) quando si vede 122-138, è possibile vedere decalcomanie-come il modello.

voglio prevedere il valore del risultato successivo, prima che le impartisce sensore il risultato, con probabilità . La macchina ha di sapere che cosa il prossimo sarà, sulla base di modelli da risultati precedenti.

I può fare apprendimento supervisionato con i risultati precedenti. Ma io non sono sicuro di quale rete neurale o il metodo è adatto. Pensando che questo lavoro ha bisogno di modello utilizzando i risultati precedenti (bisogna vedere contesto), e memorizzare i risultati precedenti, forse LSTM RNN (memoria a lungo a breve termine ricorrente rete neurale) sarebbe uno adatto.

Potreste dirmi che uno è adatto per questo lavoro?

Answer 1

Certo, è possibile utilizzare un RNN. Vorrei creare due funzioni per gli ultimi $ lunghezze k $ run, così come la lunghezza della corsa corrente; per esempio, appena prima di t = 150, l'esecuzione corrente sarebbe lunghezza 2 (rosso), e precedenti tre piste sarebbe (1,1,1) per il rosso e (1,1,5) per il blu. L'intuizione è che le tirature sembrano seguire una sorta di distribuzione esponenziale, e si vuole aiutare il modello di stimare il parametro di scala alimentando esso campioni della lunghezza. Si potrebbe inoltre codificare gli eventi k passati come una stringa di bit, dove 1 rappresenta rosso e 0 che rappresenta blu. Avete un problema di classificazione, così si dovrebbe usare la perdita di classificazione come il cross-entropia, e uno strato di uscita softmax per ottenere le vostre probabilità.