tf.keras.preprocessing.sequence.TimeseriesGenerator

Утилитарный класс для генерации наборов временных данных.

Наследуется от: Sequence

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
)

Этот класс принимает последовательность точек данных, собранных с равными интервалами, вместе с параметрами временных рядов, такими как шаг, длина истории и т. д., для создания наборов для обучения/валидации.

Аргументы

data: Indexable generator (such as list or Numpy array)
    containing consecutive data points (timesteps).
    The data should be at 2D, and axis 0 is expected
    to be the time dimension.
targets: Targets corresponding to timesteps in `data`.
    It should have same length as `data`.
length: Length of the output sequences (in number of timesteps).
sampling_rate: Period between successive individual timesteps
    within sequences. For rate `r`, timesteps
    `data[i]`, `data[i-r]`, ... `data[i - length]`
    are used for create a sample sequence.
stride: Period between successive output sequences.
    For stride `s`, consecutive output samples would
    be centered around `data[i]`, `data[i+s]`, `data[i+2*s]`, etc.
start_index: Data points earlier than `start_index` will not be used
    in the output sequences. This is useful to reserve part of the
    data for test or validation.
end_index: Data points later than `end_index` will not be used
    in the output sequences. This is useful to reserve part of the
    data for test or validation.
shuffle: Whether to shuffle output samples,
    or instead draw them in chronological order.
reverse: Boolean: if `true`, timesteps in each output sample will be
    in reverse chronological order.
batch_size: Number of timeseries samples in each batch
    (except maybe the last one).

Возвращает

A [Sequence](/utils/#sequence) instance.

Примеры

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]]))

Методы

get_config

get_config()

Возвращает конфигурацию TimeseriesGenerator в виде словаря Python.

Возвращает

A Python dictionary with the TimeseriesGenerator configuration.

on_epoch_end

Просмотреть исходный код

on_epoch_end()

Метод, вызываемый в конце каждой эпохи.

to_json

to_json(
    **kwargs
)

Возвращает строку JSON, содержащую конфигурацию генератора временных рядов. Чтобы загрузить генератор из строки JSON, используйте keras.preprocessing.sequence.timeseries_generator_from_json(json_string).

Аргументы

**kwargs: Additional keyword arguments
    to be passed to `json.dumps()`.

Возвращает

A JSON string containing the tokenizer configuration.

__getitem__

__getitem__(
    index
)

__iter__

Просмотреть исходный код

__iter__()

Создает генератор, который итерируется по последовательности.

__len__

__len__()