Функция timeseries_dataset_from_array

Функция timeseries_dataset_from_array создает датасет временных рядов из переданного массива данных. Первым параметром функция принимает массив данных, вторым - массив целей, третьим - длину последовательности sequence_length. Дополнительными параметрами можно задать размер батча batch_size, сдвиг между окнами sequence_stride, шаг выборки sampling_rate и другие настройки формирования окон.

Синтаксис

tf.keras.utils.timeseries_dataset_from_array(
	data,
	targets,
	sequence_length,
	sequence_stride=1,
	sampling_rate=1,
	batch_size=128,
	shuffle=False,
	seed=None,
	start_index=None,
	end_index=None
)

Пример

Давайте создадим простой датасет временного ряда из массива чисел и выведем его элементы:

import tensorflow as tf

data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
targets = [2, 3, 4, 5, 6, 7, 8, 9, 10, 11]

dataset = tf.keras.utils.timeseries_dataset_from_array(
	data,
	targets,
	sequence_length=3,
	batch_size=2
)

for batch in dataset:
	print(batch)

Результат выполнения кода:

(<tf.Tensor: shape=(2, 3), dtype=int32, numpy=
array([[1, 2, 3],
	   [2, 3, 4]], dtype=int32)>, <tf.Tensor: shape=(2,), dtype=int32, numpy=array([4, 5], dtype=int32)>)
(<tf.Tensor: shape=(2, 3), dtype=int32, numpy=
array([[3, 4, 5],
	   [4, 5, 6]], dtype=int32)>, <tf.Tensor: shape=(2,), dtype=int32, numpy=array([6, 7], dtype=int32)>)
(<tf.Tensor: shape=(2, 3), dtype=int32, numpy=
array([[5, 6, 7],
	   [6, 7, 8]], dtype=int32)>, <tf.Tensor: shape=(2,), dtype=int32, numpy=array([8, 9], dtype=int32)>)
(<tf.Tensor: shape=(1, 3), dtype=int32, numpy=
array([[7, 8, 9]], dtype=int32)>, <tf.Tensor: shape=(1,), dtype=int32, numpy=array([10], dtype=int32)>)

Пример

Давайте создадим датасет с настраиваемым сдвигом окон sequence_stride и шагом выборки sampling_rate:

<+python+> import tensorflow as tf data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10] targets = [2, 3, 4, 5, 6, 7, 8, 9, 10, 11] dataset = tf.keras.utils.timeseries_dataset_from_array( data, targets, sequence_length=3, sequence_stride=2, sampling_rate=1, batch_size=2 ) for batch in dataset: print(batch) <-python+>

Результат выполнения кода:

(<tf.Tensor: shape=(2, 3), dtype=int32, numpy=
array([[1, 2, 3],
	   [3, 4, 5]], dtype=int32)>, <tf.Tensor: shape=(2,), dtype=int32, numpy=array([4, 6], dtype=int32)>)
(<tf.Tensor: shape=(2, 3), dtype=int32, numpy=
array([[5, 6, 7],
	   [7, 8, 9]], dtype=int32)>, <tf.Tensor: shape=(2,), dtype=int32, numpy=array([8, 10], dtype=int32)>)

Пример

Давайте создадим датасет без целей, чтобы использовать его для авторегрессионного прогнозирования:

import tensorflow as tf

data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

dataset = tf.keras.utils.timeseries_dataset_from_array(
	data,
	targets=None,
	sequence_length=4,
	batch_size=2
)

for batch in dataset:
	print(batch)

Результат выполнения кода:

tf.Tensor(
[[1 2 3 4]
 [2 3 4 5]], shape=(2, 4), dtype=int32)
tf.Tensor(
[[3 4 5 6]
 [4 5 6 7]], shape=(2, 4), dtype=int32)
tf.Tensor(
[[5 6 7 8]
 [6 7 8 9]], shape=(2, 4), dtype=int32)
tf.Tensor(
[[7 8 9 10]], shape=(1, 4), dtype=int32)

Смотрите также

функцию split_dataset,
которая разделяет датасет на несколько частей
функцию normalize,
которая нормализует данные датасета
класс TextLineDataset,
который создает датасет из строк текстового файла
класс TFRecordDataset,
который создает датасет из файлов формата TFRecord