Python tf.keras.preprocessing.sequence.TimeseriesGenerator用法及代碼示例

用於生成批量時態數據的實用程序類。

繼承自：Sequence

用法

tf.keras.preprocessing.sequence.TimeseriesGenerator(
    data, targets, length, sampling_rate=1, stride=1, start_index=0, end_index=None,
    shuffle=False, reverse=False, batch_size=128
)

此類接收以相等間隔收集的 data-points 序列以及時間序列參數(例如步幅、曆史長度等)，以生成用於訓練/驗證的批次。參數： data：包含連續數據點(時間步長)的可索引生成器(例如列表或 Numpy 數組)。數據應該是二維的，軸 0 應該是時間維度。目標：與 data 中的時間步相對應的目標。它的長度應與 data 相同。長度：輸出序列的長度(時間步數)。 sampling_rate：序列中連續單個時間步長之間的時間段。對於速率 r ，時間步長 data[i] , data[i-r] ，... data[i - length] 用於創建樣本序列。步幅：連續輸出序列之間的周期。對於步幅 s ，連續輸出樣本將以 data[i] , data[i+s] , data[i+2*s] 等為中心。start_index：早於 start_index 的數據點將不會在輸出序列中使用。這對於保留部分數據用於測試或驗證很有用。 end_index：晚於end_index的數據點將不會用於輸出序列。這對於保留部分數據用於測試或驗證很有用。 shuffle：是否Shuffle[洗牌]輸出樣本，或者按時間順序繪製它們。 reverse:Boolean:if true ，每個輸出樣本中的時間步長將按時間倒序排列。 batch_size：每批中的時間序列樣本數(可能最後一個除外)。返回：一個序列實例。例子：

from keras.preprocessing.sequence import TimeseriesGenerator
import numpy as np
data = np.array([[i] for i in range(50)])
targets = np.array([[i] for i in range(50)])
data_gen = TimeseriesGenerator(data, targets,
                               length=10, sampling_rate=2,
                               batch_size=2)
assert len(data_gen) == 20
batch_0 = data_gen[0]
x, y = batch_0
assert np.array_equal(x,
                      np.array([[[0], [2], [4], [6], [8]],
                                [[1], [3], [5], [7], [9]]]))
assert np.array_equal(y,
                      np.array([[10], [11]]))