model <- nn_module( initialize = function(input_size, hidden_size, output_size) { self$lstm <- nn_lstm( input_size = input_size, hidden_size = hidden_size, batch_first = TRUE ) self$linear <- nn_linear(hidden_size, output_size) }, forward = function(x) { lstm_out <- self$lstm(x) output <- lstm_out[] last_output <- output[ , dim(output), ] self$linear(last_output)
)
W praktyce dane wejściowe dla LSTM mają postać trójwymiarową: próbka, czas i cechy. Dla szeregów czasowych typowym etapem przygotowania danych jest więc utworzenie ruchomych okien czasowych, normalizacja cech oraz oddzielenie zbioru treningowego, walidacyjnego i testowego z zachowaniem kolejności czasowej.
Zastosowania LSTM jest stosowana do zadań, w których dane mają naturalną strukturę sekwencyjną. Przykłady obejmują: rozpoznawanie mowy; rozpoznawanie pisma ręcznego; modelowanie języka; etykietowanie sekwencji; analizę szeregów czasowych; predykcję sygnałów; generowanie tekstu; analizę danych biomedycznych; prognozowanie ruchu i danych czasoprzestrzennych.