В Tensorflow, какую нейронную сеть мне следует использовать?

Question

Я занимаюсь учебником по тензодару, получаю то, что такое TF. Но я не понимаю, какую нейронную сеть я должен использовать в своей работе. Я смотрю на однослойную нейронную сеть, CNN, RNN и LSTM RNN.

----------------------- Что я собираюсь сделать ...--------------- -------

Существует датчик, который что -то измеряет и представляет результат 2 логических способов. Здесь они синие и красные, как это:

Датчик дает значения результатов каждые 5 минут. Если мы накапливаем значения для каждого цвета, мы увидим некоторые узоры:

Число внутри каждого круга представляет последовательность значений результата, приведенных от датчика. (Например, 107 был дан сразу после 106), когда вы видите с 122 до 138, вы можете увидеть рисунок, похожий на DecalComanie.

Я хочу предсказать следующее значение результата, прежде чем датчик передаст результат, с вероятность. Анкет Машина должна знать, каким будет следующее, основываясь на шаблонах из прошлых результатов.

Я могу проводить контролируемое обучение, используя прошлые результаты. Но я не уверен, какая нейронная сеть или метод подходит. Думая, что эта работа нуждается в шаблоне, используя прошлые результаты (должны видеть контекст), и запоминать прошлые результаты, возможно, подходящим, возможно, LSTM RNN (рецидивирующая нейронная сеть памяти длиннокачественных терминов).

Не могли бы вы сказать мне, какой из них подходит для этой работы?

Answer 1

Конечно, вы можете использовать RNN. Я бы создал две функции для последней длины пробега $ K $, а также длину текущего прогона; Например, незадолго до t = 150 текущий прогон будет длиной 2 (красный), а предыдущие три прогона будут (1,1,1) для красного и (1,1,5) для синего. Интуиция здесь заключается в том, что длины прогона, кажется, следуют какому -то экспоненциальному распределению, и вы хотите помочь модели оценить параметр масштаба, подав образцы и пробы длины. Вы можете дополнительно кодировать прошлые k события в виде битной строки, причем 1 представляет собой красный и 0, представляющий синий. У вас есть проблема с классификацией, поэтому вы должны использовать потери классификации, такие как перекрестная энтропия, и выходной слой Softmax для получения ваших вероятностей.