用PyTorch预测网格坐标序列 [英] Predicting sequence of grid coordinates with PyTorch

问题描述

我有一个类似的开放问题here on Cross Validated(虽然不是以实现为重点的，我打算这个问题是这样的，所以我认为它们都是有效的)。

我正在进行一个项目，该项目使用传感器来监控人员的GPS位置。然后，坐标将被转换为简单的网格表示。我想尝试和做的是，在记录用户路线后，训练神经网络来预测下一个坐标，即以下面的例子为例，用户在一段时间内只重复两条路线，Home->A和Home->B。

我想用不同长度的序列训练RNN/LSTM，例如(14,3), (13,3), (12,3), (11,3), (10,3), (9,3), (8,3), (7,3), (6,3), (5,3), (4,3), (3,3), (2,3), (1,3)，然后还用不同长度的序列预测，例如对于这个示例路线，如果我调用

route = [(14,3), (13,3), (12,3), (11,3), (10,3)] //pseudocode
pred = model.predict(route)

pred应该给我(9,3)(或者最好是更长的预测，例如((9,3), (8,3), (7,3), (6,3), (5,3), (4,3), (3,3), (2,3), (1,3)))

如何将此类训练序列提供给下面标识的init和forward操作？

self.rnn = nn.RNN(input_size, hidden_dim, n_layers, batch_first=True)
out, hidden = self.rnn(x, hidden)

另外，整个路径应该是张量，还是路径内的每组坐标都是张量？

推荐答案

我对RNN不是很有经验，但我会试一试。

开始之前需要注意的几件事：
1.您的数据不是normalized。
2.您需要的输出预测(即使在标准化之后)没有限制到[-1, 1]范围，因此您不能对输出预测执行tanh或ReLU激活。

为了解决您的问题，我提出了一个递归网络，它在给定当前状态(2D坐标)的情况下预测下一个状态(2D坐标)。请注意，由于这是一个递归网络，因此每个位置也有一个隐藏状态。起初，隐藏状态为零，但随着网络看到更多步骤，它会更新其隐藏状态。

我建议用一个简单的网络来解决您的问题。它有一个具有8个隐藏状态的RNN层，以及一个完全连接的层来输出预测。

class MyRnn(nn.Module):
  def __init__(self, in_d=2, out_d=2, hidden_d=8, num_hidden=1):
    super(MyRnn, self).__init__()
    self.rnn = nn.RNN(input_size=in_d, hidden_size=hidden_d, num_layers=num_hidden)
    self.fc = nn.Linear(hidden_d, out_d)

  def forward(self, x, h0):
    r, h = self.rnn(x, h0)
    y = self.fc(r)  # no activation on the output
    return y, h

您可以使用您的两个序列作为训练数据，每个序列都是形状为Tx1x2的张量，其中T是序列长度，每个条目是二维的(x-y)。

预测(在培训期间)：

rnn = MyRnn()
pred, out_h = rnn(seq[:-1, ...], torch.zeros(1, 1, 8))  # given time t predict t+1
err = criterion(pred, seq[1:, ...])  # compare prediction to t+1

模型训练完成后，您可以先演示k步骤，然后继续预测后续步骤：

rnn.eval()
with torch.no_grad():
  pred, h = rnn(s[:k,...], torch.zeros(1, 1, 8, dtype=torch.float))
  # pred[-1, ...] is the predicted next step
  prev = pred[-1:, ...]
  for j in  range(k+1, s.shape[0]):
    pred, h = rnn(prev, h)  # note how we keep track of the hidden state of the model. it is no longer init to zero.
    prev = pred

我把所有东西都放在colab notebook中，这样您就可以玩它了。
为简单起见，我在这里忽略了数据标准化，但您可以在CoLab笔记本中找到它。

---

接下来是什么？
这些类型的预测容易出现误差累积。这个问题应该在训练期间解决，方法是将输入从基本真实的"干净"序列转移到实际的预测序列，这样模型将能够补偿其误差。

这篇关于用PyTorch预测网格坐标序列的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！