CNN-LSTM 으로 시계열 분석하기

< 본 블로그는 data-newbie 님의 블로그를 참고해서 공부하며 작성하였습니다 :-) >

https://data-newbie.tistory.com/31

모델평가와 성능평가 _미완성

 

 

 

🥕 1D CNN (1 Dimensional Convolution Neural Network)

CNN 모델은 1D, 2D, 3D로 나뉘는데, 일반적인 CNN은 보통 이미지 분류에 사용되는 2D를 통칭

D는 차원을 뜻하는 dimensional의 약자로, 인풋 데이터 형태에 따라 1D, 2D, 3D 형태의 CNN 모델이 사용

1D CNN에서 커널의 움직임을 1차적으로 시각화

 

시간의 흐름에 따라 커널이 오른쪽으로 이동

시계열 데이터(Time-Series Data)를 다룰 때에는 1D CNN이 적합

1D CNN을 활용하게 되면 변수 간의 지엽적인 특징을 추출

 

in_channels  1개,  out_channels  1개,  kernel_size  2개,  stride 는 1

 

 

🥕 1D CNN 레이어

in_channels 1개, out_channels 1개, kernel_size 2개, stride는 1로 설정

입력 값으로 활용할 input 변수를 정의하고 c에 입력해 예측값을 산출

https://jalammar.github.io/visual-interactive-guide-basics-neural-networks/

 

 

import torch
from torch import nn

 

• kernel_size가 2인 1D CNN을 통과하니 4개의 값이 산출

c = nn.Conv1d(in_channels=1, out_channels=1, kernel_size=2, stride=1)
input = torch.Tensor([[[1,2,3,4,5]]])
output = c(input)
output

 

• c에 저장된 weight와 bias 값
  • 첫번째로 나오는 값은 weight 값 -> kernel_size가 2 이므로 총 2개의 weight값이 존재
  • 두번째로 나오는 값은 bias 값 -> 하나의 1D CNN 레이어에 대해 하나의 bias 값이 존재

for param in c.parameters():
    print(param)

 

• 해당 값들을 각각 w1, w2, b 변수에 저장

w_list = []
for param in c.parameters():
    w_list.append(param)

w = w_list[0]
b = w_list[1]

w1 = w[0][0][0]
w2 = w[0][0][1]

print(w1)
print(w2)
print(b)

 

• 1D CNN을 통과했을 때의 나온 output값을 계산

CNN12 = w1 * 1 + w2 * 2 + b
CNN23 = w1 * 2 + w2 * 3 + b
CNN34 = w1 * 3 + w2 * 4 + b
CNN45 = w1 * 4 + w2 * 5 + b

print(CNN12)
print(CNN23)
print(CNN34)
print(CNN45)

 

• output 과 비교

output = c(input)
output