tf.keras.preprocessing.sequence.TimeseriesGenerator

Утилитарный класс для генерации наборов временных данных.

Наследуется от: Sequence

Просмотр псевдонимов

Псевдонимы для миграции

См. Руководство по миграции для получения дополнительной информации.

tf.compat.v1.keras.preprocessing.sequence.TimeseriesGenerator

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 временного ряда, такими как шаг, длина истории и т. д., для создания наборов данных для обучения/валидации.

Аргументы
`data`	Индексируемый генератор (например, список или массив NumPy), содержащий последовательные точки данных (шаги во времени). Данные должны быть двумерными, и ожидается, что ось 0 будет временной осью.
`targets`	Цели, соответствующие шагам во времени в `data`. Длина должна быть такой же, как у `data`.
`length`	Длина выходных последовательностей (в количестве шагов во времени).
`sampling_rate`	Период между последовательными отдельными шагами во времени в пределах последовательностей. Для скорости `r`, шаги во времени `data[i]`, `data[i-r]`, ... `data[i - length]` используются для создания образцовой последовательности.
`stride`	Период между последовательными выходными последовательностями. Для шага `s`, последовательные выходные образцы будут центрированы вокруг `data[i]`, `data[i+s]`, `data[i+2*s]`, и т. д.
`start_index`	Точки данных, предшествующие `start_index`, не будут использоваться в выходных последовательностях. Это полезно для выделения части данных для тестирования или валидации.
`end_index`	Точки данных, позднее чем `end_index`, не будут использоваться в выходных последовательностях. Это полезно для выделения части данных для тестирования или валидации.
`shuffle`	Нужно ли перемешивать выходные образцы или же извлекать их в хронологическом порядке.
`reverse`	Булево значение: если `true`, шаги во времени в каждом выходном образце будут в обратном хронологическом порядке.
`batch_size`	Количество образцов временных рядов в каждом пакете (кроме, возможно, последнего).

Возвращаемое значение
Экземпляр Sequence.

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`

Просмотреть исходный код

get_config()

Возвращает конфигурацию TimeseriesGenerator в виде словаря Python.

Возвращаемое значение
Словарь Python с конфигурацией TimeseriesGenerator.

`on_epoch_end`

Просмотреть исходный код

on_epoch_end()

Метод, вызываемый в конце каждой эпохи.

`to_json`

Просмотреть исходный код

to_json(
    **kwargs
)

Возвращает строку JSON, содержащую конфигурацию генератора временных рядов.

Аргументы
`**kwargs`	Дополнительные ключевые аргументы, которые необходимо передать в `json.dumps()`.

Возвращаемое значение
Строка JSON, содержащая конфигурацию токенизатора.

`getitem`

Просмотреть исходный код

__getitem__(
    index
)

Получает пакет в позиции index.

Аргументы
`index`	Позиция пакета в Sequence.

Возвращаемое значение
Пакет

`iter`

Просмотреть исходный код

__iter__()

Создаёт генератор, который итерируется по Sequence.

`len`

Просмотреть исходный код

__len__()

Количество пакетов в Sequence.

Возвращаемое значение
Количество пакетов в Sequence.

© 2022 The TensorFlow Authors. All rights reserved.
Licensed under the Creative Commons Attribution License 4.0.
Code samples licensed under the Apache 2.0 License.
https://www.tensorflow.org/versions/r2.9/api_docs/python/tf/keras/preprocessing/sequence/TimeseriesGenerator