LSTM陷入循环
LSTM（Long Short-Term Memory）是一种循环神经网络（RNN）的变体，专门用于处理序列数据的建模和预测。与传统的RNN相比，LSTM在处理长期依赖性问题上表现更好。
LSTM通过引入门控机制来解决传统RNN中的梯度消失和梯度爆炸问题。它由输入门、遗忘门和输出门组成，以控制信息的流动和保留。输入门决定哪些信息需要更新，遗忘门决定哪些旧信息需要舍弃，输出门决定哪些信息需要输出。
优势：
- 长期依赖性处理：LSTM适用于处理具有长期依赖性的序列数据，如语言模型、机器翻译和音乐生成等任务。
- 防止梯度消失和梯度爆炸：通过门控机制，LSTM能够有效地处理梯度消失和梯度爆炸问题，从而更好地捕捉长期依赖关系。
- 灵活性和可扩展性：LSTM可以通过堆叠多个LSTM层或与其他类型的神经网络结构（如卷积神经网络）结合使用，以获得更高的表达能力和性能。
应用场景：
- 语言建模：LSTM可以用于生成文本，包括语音识别、自动翻译和聊天机器人等领域。
- 时间序列预测：LSTM在股票价格预测、天气预测和交通流量预测等方面具有广泛应用。
- 图像描述生成：将LSTM与卷积神经网络结合，可以生成图像的文字描述，用于图像搜索和无障碍图像理解等领域。
推荐的腾讯云相关产品：
- 机器学习平台（https://cloud.tencent.com/product/tfml）：腾讯云提供的全面的机器学习平台，支持使用LSTM等深度学习模型进行训练和推理。
- 弹性容器实例（https://cloud.tencent.com/product/eci）：腾讯云提供的无需管理基础设施的容器服务，可用于部署和扩展LSTM模型的推理服务。
请注意，以上推荐的产品仅为参考，实际选择应根据具体需求和项目要求进行评估。
相关·内容
1回答
除了原始文件外，是否还有其他材料可以导出LSTM的反向传播和旋转误差？(我不明白，对不起)。
我尝试了派生并陷入困境，并问了以下问题：LSTMs -数据科学堆栈交换问题，然而，似乎并没有多少人对LSTM的手工派生感兴趣。
谢谢
浏览 0提问于2017-06-29得票数 1
回答已采纳
2回答
我正在尝试使用tensorflow和lstm在kaggle创建一个配方生成器。但我完全陷入了与维度相关的事情中。有人能给我指出正确的方向吗？
非常感谢！
浏览 0提问于2017-04-07得票数 0
我看到了在tensorflow上调用lstm的两种不同的方法，我对一种方法和另一种方法的区别感到困惑。在哪种情况下使用其中一种
第一种方法是创建一个lstm，然后像下面的代码那样立即调用它
lstm = rnn_cell.BasicLSTMCell(lstm_size)
# Initial state of the LSTM memory.
initial_state = tf.zeros([batch_size, lstm.state_size])
for i in range(num_steps):
# The value of state is updated after pr
浏览 1提问于2016-06-03得票数 1
回答已采纳
1回答
我的模型定义如下：
## defining the model
batch_size = 1
def my_model():
input_x = Input(batch_shape=(batch_size, look_back, 4), name='input')
drop = Dropout(0.5)
lstm_1 = LSTM(100, return_sequences=True, batch_input_shape=(batch_size, look_back, 4), name='3dLSTM', stateful=
浏览 0提问于2018-06-08得票数 13
回答已采纳
2回答
在Pytorch1.1版本中，和有什么不同？看起来LSTMCell是LSTM的一个特例(即只有一层，单向的，没有丢失)。
那么，拥有这两种实现的目的是什么呢？除非我遗漏了什么，否则将LSTM对象用作LSTMCell (或者使用多个LSTMCells来创建LSTM对象非常容易)
浏览 3提问于2019-07-16得票数 18
回答已采纳
2回答
我想构建一个带有特殊单词嵌入的LSTM，但是我有一些关于这将如何工作的问题。
正如您可能知道的，一些LSTM操作字符，所以它是字符中，字符外。我也想这样做，通过对单词的抽象来学习一个健壮的嵌入在它们上的嵌套LSTM，以抵抗轻微的字符级错误。
因此，一个微小的LSTM会在一个单词的每一个字母上展开，然后这个单词就会被嵌入。然后，将句子中的每个嵌入单词作为输入输入到更高级别的LSTM，LSTM将在每个时间步骤中在一个单词级别上操作，而不是在字符上操作。
问题：-我再也找不到关于这个问题的研究论文了。如果你知道我说的话，我想在我想做的事情上加上一个名字。-是否已经存在一些TensorFlow开源代码
浏览 6提问于2016-06-18得票数 4
回答已采纳
有人能给我解释一下初始化keras lstm层中传递的激活和循环激活参数之间的区别吗？
根据我的理解，LSTM有4层。如果我没有向LSTM构造函数传递任何激活参数，请解释每一层的默认激活函数是什么？
浏览 3提问于2017-07-06得票数 20
1回答
使用前馈神经网络代替LSTM？
、、、、
LSTM问题可以表示为FFNN问题吗？ LSTM神经网络只是简单地回顾过去。但我也可以获取一些(或许多)过去的值，并将它们用作FFNN的输入特征。 这样，FFNN能否取代LSTM网络？如果我可以接受过去的值并将它们用作输入特性，那么为什么我应该更喜欢LSTM而不是FFNN呢？
浏览 69提问于2019-12-26得票数 0
1回答
我想训练一个模型(VGG+LSTM)，用于在视频序列中执行重新识别任务。我的代码的主要问题是，在我训练了模型之后，我想要进行推断，但LSTM似乎不起作用。(我连续9次向模型输入一张图片，但每次在lstm之后输出相同的向量，所以我认为一定是出了什么问题)。
Hear是我的。简单地说，我的lstm层是
layer {
name: "lstm"
type: "LSTM"
bottom: "Appearance_reshape"
bottom: "cont"
top: "lstm_out&#
浏览 2提问于2018-06-21得票数 0
1回答
我正在尝试使用连接层将VGG16模型、LSTM模型和张量输入合并为一个
LSTM代码
这是一个简单的LSTM模型
VOCAB_SIZE=1000
encoder = tf.keras.layers.experimental.preprocessing.TextVectorization(max_tokens=VOCAB_SIZE)
encoder.adapt(np.array(df['caption']))
def build_lstm():
model = Sequential(
[
encoder,
Embedding(inpu
浏览 3提问于2021-02-12得票数 0
1回答
根据的数学公式，如下所示，
应该只存在隐藏状态h_t和单元格状态c_t。然而，当我试图在Keras上编写RNN代码时，有三种：lstm_output、state_h和state_c。
我现在想知道lstm_output的数学公式是什么？这是我的代码：
from keras.layers import Input, LSTM
lstm_input = Input(shape=(28, 10))
lstm_output, state_h, state_c = LSTM(units=32,
return_sequen
浏览 0提问于2019-06-28得票数 3
回答已采纳
1回答
我试图在Keras中实现一个多层，使用for循环和教程来优化层数，这显然是一个超参数。在本教程中，作者将skopt用于hyper-parameter optimization。我使用Functional创建模型。为了简单起见，我将input_tensor的形状更改为任意值。
from keras.layers.core import Dense
from keras.layers import LSTM, Input
from keras.models import Model
from keras.optimizers import RMSprop
from keras.initializ
浏览 1提问于2018-08-12得票数 1
回答已采纳
我的模型是：
class BaselineModel(nn.Module):
def __init__(self, feature_dim=5, hidden_size=5, num_layers=2, batch_size=32):
super(BaselineModel, self).__init__()
self.num_layers = num_layers
self.hidden_size = hidden_size
self.lstm = nn.LSTM(input_size=feature_dim,
浏览 9提问于2020-03-01得票数 3
回答已采纳
当我检查双向rnn的"TPU兼容性“时，我遇到了一个问题。TensorBoard告诉我，序列长度向量的反转操作在TPU上是不兼容的。我也不知道原因?
我的简单代码：
X_batch = np.array([
[[0., 1., 2.], [8., 2., 1.], [9., 8., 7.]],
[[3., 4., 5.], [9., 7., 4.], [0., 0., 0.]],
[[6., 7., 8.], [3., 6., 7.], [6., 5., 4.]],
浏览 1提问于2018-05-05得票数 0
1回答
我想从重新实现re循环，但是它对我不起作用。当重用设置为True时，我得到“变量测试/basic_lstm_cell/权重已经存在”而没有重用和“变量测试/basic_lstm_cell/权重不存在”。
import tensorflow as tf
batch_size = 32
n_steps = 10
lstm_size = 10
n_input = 17
words = tf.placeholder(tf.float32, [batch_size, n_steps, n_input])
words = tf.transpose(words, [1, 0, 2])
words = tf
浏览 1提问于2017-03-24得票数 1
回答已采纳
我猜隐藏的张量是我需要在RNN开始时初始化的张量。所以我通过.cuda()设置了h0和c0，但这没有什么用处。下面是我的code.Please，谁能帮我一下？
class LSTM_net(nn.Module):
def __init__(self, Embedding, vocab, label, batch):
super(LSTM_net, self).__init__()
self.Hidden_dim = Embedding
self.Embedding = nn.Embedding(vocab, Embedding)
self.lstm = nn
浏览 0提问于2020-01-15得票数 0
我有以下数据帧： #create some data with Names column
data = pd.DataFrame({'Names': ['Joe', 'John', 'Jasper', 'Jez'] *4, 'Add': ['Lo', 'Po', 'Fa',
'It']*4,'Ob1' : np.random.rand(16), 'Ob2' : np.random.rand(16
浏览 13提问于2020-01-21得票数 0
1回答
如何从特征向量或单词生成句子？
、、、、
我使用了VGG16层Caffe模型作为图像标题，并且每个图像都有几个标题。现在，我想从这些标题(单词)中生成一个句子。
我在一篇关于LSTM的论文中读到，我应该从训练网络中删除SoftMax层，并将fc7层的4096特征向量直接提供给LSTM。
我是LSTM和RNN的新手。
我应该从哪里开始呢？有没有关于如何通过序列标注生成句子的教程？
浏览 2提问于2015-12-28得票数 5
我已经检查了这两个函数的源代码，似乎LSTM()创建了LSTM网络，而LSTMCell()只返回一个单元。
然而，在大多数情况下，人们在他们的程序中只使用一个LSTM单元。这是否意味着当您只有一个LSTM单元时(例如在简单的Seq2Seq中)，调用LSTMCell()和LSTM()没有区别吗？
浏览 1提问于2018-01-10得票数 29
回答已采纳
我是深度学习的新手，目前正在使用LSTM进行语言建模。我正在看pytorch文档，被它搞糊涂了。
如果我创建一个
nn.LSTM(input_size, hidden_size, num_layers)
当hidden_size =4和num_layers = 2时，我想我会有一个类似如下的架构：
op0 op1 ....
LSTM -> LSTM -> h3
LSTM -> LSTM -> h2
LSTM -> LSTM -> h1
LSTM -> LSTM -> h0
x0 x1 .....
如果我做像这样的事情
nn.LST
浏览 9提问于2018-03-12得票数 18
回答已采纳
我想预测一个多变量时间序列。我的时间序列是a_1(t),...,a_k(t)，我想预测a_k(t)。我使用以下keras LSTM：
model = Sequential()
model.add(LSTM(90,return_sequences=True,input_shape=(train_X.shape[1], train_X.shape[2])))
model.add(LSTM(90))
model.add(Dense(1))
我使用a_1(t),...,a_{k-1}(t)作为输入，a_k(t)作为输出来训练它。所以我不使用像a_s(t-l)这样的延迟输入。我的问题是在这种情况下，LS
浏览 0提问于2020-08-19得票数 0
回答已采纳
1回答
嗨，我是RNN的新手，我遇到了以下Pytorchs的实现，但是我不明白'bias'和'weight'字符串在'def init_weights'中是如何工作的(或者为什么)。
class LSTM_LM(nn.Module):
def __init__(
self,
pretrained_emb: torch.tensor,
lstm_dim: int,
drop_prob: float = 0.
浏览 0提问于2022-09-01得票数 0
回答已采纳
1回答
我想稍微修改一下在LSTM的每个时间步计算(并因此重新输入)的隐藏状态。例如，向常规LSTM过程产生的隐藏状态添加一个常量向量这样简单的事情。我并不打算修改常规的gate机制--我更多地将其看作是对通常由LSTM创建的最终隐藏状态的计算。我觉得创建自己的LSTM单元有点过头了。或者，OutputProjectionWrapper似乎可以实现这一目标，尽管我并不打算创建新的输出，只需修改隐藏状态。
浏览 16提问于2017-01-21得票数 1
回答已采纳
我一直在尝试计算Keras中LSTM单元的参数数量。我创建了两个模型，一个使用LSTM，另一个使用CuDNNLSTM。
模型的部分摘要如下
CuDNNLSTM模型：
_________________________________________________________________
Layer (type) Output Shape Param #
=================================================================
embed
浏览 15提问于2020-02-22得票数 1
import tensorflow as tf
from tf.contrib import rnn
lstm_f = rnn.BasicLSTMCell(n_hidden, forget_bias=1.0)
lstm_b = rnn.BasicLSTMCell(n_hidden, forget_bias=1.0)
blstm_out, state_f, state_b = rnn.static_bidirectional_rnn(lstm_f, lstm_b, x, dtype=tf.float32)
上面的代码与tensorflow 1.x一起工作，但是我很难找到一种使用tensorflo
浏览 5提问于2019-05-07得票数 2
回答已采纳
我目前正在尝试理解来自Tensorflow的LSTM教程，并对的代码有一个问题。在函数run_epoch()中，这些行运行一个时代，input.epoch_size实际上是数据的批数：
for step in range(model.input.epoch_size):
feed_dict = {}
for i, (c, h) in enumerate(model.initial_state):
feed_dict[c] = state[i].c
feed_dict[h] = state[i].h
vals = session.run(fetc
浏览 1提问于2016-12-06得票数 2
回答已采纳
1回答
我正在尝试使用LSTM和密集神经网络在Keras中构建序列到序列模型。编码器对输入进行编码，然后将编码状态和输入连接并馈送到解码器，该解码器是lstm +密集神经网络，其及时输出分类标签。下面是我的代码 from keras.utils import to_categorical
from keras.layers import Embedding, Bidirectional, GRU, Dense, TimeDistributed, LSTM, Input, Lambda
from keras.models import Sequential, Model
import numpy a
浏览 18提问于2019-02-07得票数 1
我在理解LSTM API中的一些tf.keras.layers层参数时遇到了困难。
我正在研究使用CuDNNLSTM层而不是LSTM层(以加快培训)，但是在我承诺使用CuDNN层之前，我希望完全了解使用CuDNNLSTM而不是LSTM层所丢失的参数。我读过这些文档，但它们似乎假定了一些我不具备的LSTM的先验知识。
我列出了CuDNNLSTM没有的参数( LSTM没有)，并分别附带了关于它们的问题。
activation
recurrent_activation
activation和recurrent_activation有什么区别？我假设它与一个单元格的激活和整个LSTM层的激
浏览 3提问于2019-08-08得票数 3
回答已采纳
1回答
我有一个节省下来的LSTM模型和它的权重。我想从这个LSTM模型的每一层提取所有的权重，并保存它的一维数组。
我试过了
for layer in model.layers:
l = layer.get_weights()
但是它只返回最后一层的重量。
浏览 17提问于2022-12-02得票数 0
我正在使用pytorch构建文本分类器，并在使用.cuda()方法时遇到了麻烦。我知道.cuda()会将所有参数移动到gpu中，这样训练过程就会更快。但是，在.cuda()方法中发生了如下错误：
start_time = time.time()
for model_type in ('lstm',):
hyperparam_combinations = score_util.all_combination(hyperparam_dict[model_type].values())
# for selecting best scoring model
浏览 1提问于2018-01-23得票数 1
回答已采纳
1回答
3是一个很大的文件，但是我想在mini_batch_size 50之后重新设置状态。
n_epoch=10000
n_batch=50
# create and fit the LSTM network
model = Sequential()
model.add(LSTM(3,batch_input_shape =(n_batch,trainX.shape[1], trainX.shape[2]),stateful=True))
model.add(Dense(1))
model.add(Activation("linear"))
model.compile(loss=&#
浏览 0提问于2018-06-30得票数 1
回答已采纳
让我们使用以下代码：
'''
LSTM class
'''
import torch
import pandas as pd
import numpy as np
import torch.nn.CrossEntropyLoss
class LSTM(nn.Module):
def __init__(self, input_size, hidden_size, num_layers):
super (LSTM, self).__init__()
self.hidden_size = hidden_size
浏览 1提问于2022-02-22得票数 1
回答已采纳
4回答
我想在for循环中创建多个对象。我的代码是这样的： regressor1 = Sequential()
# Adding the first LSTM layer and some Dropout regularisation
regressor1.add(LSTM(units = 50, return_sequences = True, input_shape = (X_train.shape[1], 6)))
regressor1.add(Dropout(0.2))
regressor2 = Sequential()
# Adding the first LSTM layer an
浏览 60提问于2018-07-23得票数 2
回答已采纳
1回答
如果一个人使用更多的时代或更多的层次，那么训练有什么不同呢？
假设有一致的超视距，这些训练也应该一样吗？
for epoch in range(20):
LSTM
和
for epoch in range(5):
LSTM -> LSTM -> LSTM -> LSTM
我知道训练后会有不同。在第一种情况下，您将通过一个经过训练的LSTM单元发送任何测试批次，而在第二个案例中，它将通过4个经过训练的单元。我的问题与训练有关。
看来他们应该是一样的。
浏览 3提问于2017-12-18得票数 0
回答已采纳
1回答
LSTM预测的初始部分中的抖动
、、、、
我致力于使用LSTM和GRU进行时间序列预测。在大多数情况下，预测都是相当好的。 然而，在预测结果确定之前，似乎有一个摆动(或最初的向上然后向下)，类似于another question的this figure左侧。 在我的例子中，它也造成了轻微的偏移。有没有人知道为什么会这样？下面是训练集和测试集的形状，以及当前的网络结构。我已经尝试从60个时间步减少序列长度，在LSTM和GRU之间切换，并使输入和输出略有重叠，所有这些都没有用。添加dropout似乎也无济于事。摆动不会消失！ 我的序列长度是60个输入和60个输出，目前。 Xtrain: (920, 60, 2)
Ytrain: (920
浏览 24提问于2019-12-24得票数 0
我训练了一个基于4 keras的lstm层，并封装了dropout层堆叠模型来进行时间序列预测。结果还不错，代码是：
regressor = keras.models.Sequential()
# input layer
regressor.add(keras.layers.LSTM(units=50, return_sequences=True, input_shape=(X_train.shape[1], 1)))
regressor.add(keras.layers.Dropout(0.2))
# second layer
regressor.add(keras.layers.LST
浏览 0提问于2018-10-25得票数 0
我的目录包含数百个类似于以下内容的文件和目录：
508471/
ae_lstm__ts_ 508471_detected_anomalies.pdf
ae_lstm__508471_prediction_result.pdf
mlp_508471_prediction_result.pdf
mlp__ts_508471_detected_anomalies.pdf
vanilla_lstm_508471_prediction_result.pdf
vanilla_lstm_ts_508471_detected_anomalies.pdf
598690/
ae_lstm__ts_598690_
浏览 6提问于2020-03-13得票数 0
回答已采纳
1回答
我正在创建一个语言模型:一个包含2个双向LSTM层的seq2seq模型。我已经训练了这个模型，而且它的精度似乎很好，但是当我坚持想出推理模型的时候，我发现自己被每个LSTM层返回的状态弄糊涂了。
我正在使用本教程作为指南，尽管这个链接中的示例不是使用双向层：。
注意:我使用的是预先训练过的单词嵌入。
lstm_units = 100
# Set up embedding layer using pretrained weights
embedding_layer = Embedding(total_words+1, emb_dimension, input_length=max_input_
浏览 9提问于2022-08-22得票数 0
回答已采纳
我想要构建一个LSTM模型，其中(n+1)第四个时间步长的输入是(N)个时间步长的输出函数。在目前的框架中，我看不出有什么办法可以做到这一点。人们一直在提到使用raw_rnn，我认为这在TensorFlow 2.0中是不可取的。有人能帮我解决这个问题吗？目前这就是我所拥有的
class RNN(tf.keras.Model):
def __init__(self):
super(RNN, self).__init__()
rnn_units = 16
self.bn_layer = tf.keras.layers.BatchNormali
浏览 1提问于2020-05-24得票数 0
回答已采纳
我试图在LSTM上执行10倍的交叉验证，代码如下：
# Initialising the RNN
regressor = Sequential()
# Adding the first LSTM layer and some Dropout regularisation
regressor.add(LSTM(units = 350, return_sequences = True, input_
浏览 2提问于2021-01-10得票数 1
回答已采纳
因此，正如我们所知道的，LSTM的输入始终是一个3D数组：batch_size, time_steps, seq_len。那么，如果我将LSTM的输入设置为：batch_size, 1, time_steps * seq_len，会有什么不同吗？
例如，我有5个特征，我使用了4个先前的时间步长。所以如果我给input_shape=(1, 20)，而不是给LSTM的input_shape=(4, 5)呢？有什么区别吗？
浏览 1提问于2019-07-24得票数 0
2回答
假设我们有一个用于时间序列预测的LSTM模型。而且，这是一个多变量的例子，所以我们使用多个特性来训练模型。
ipt = Input(shape = (shape[0], shape[1])
x = Dropout(0.3)(ipt) ## Dropout before LSTM.
x = CuDNNLSTM(10, return_sequences = False)(x)
out = Dense(1, activation='relu')(x)
我们可以在LSTM之前(如上面的代码)或LSTM之后添加Dropout层。
如果我们在LSTM之前添加它，
浏览 5提问于2019-11-07得票数 12
回答已采纳
我正在处理一个timeseries seq2seq问题。对于我的方法，我使用LSTM seq2seq RNN和老师强制。正如您已经知道的，为了任务的目的，应该训练一个模型，然后使用经过训练的层，建立一个推理模型来处理任务(即共享层)。
下面是我定义共享层的代码：
# Define the shared layers for the train and inference models
encoder_lstm = LSTM(latent_dim, return_state=True, name='encoder_lstm')
# Define the shared layers
浏览 2提问于2020-04-17得票数 0
def RNN(X, weights, biases):
X = tf.reshape(X, [-1, n_inputs])
X_in = tf.matmul(X, weights['in']) + biases['in']
X_in = tf.reshape(X_in, [-1, n_steps, n_hidden_units])
lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(n_hidden_units, forget_bias=0.0, state_is_tuple=True)
i
浏览 22提问于2017-02-28得票数 1
回答已采纳
我将此提交给Stack溢出，而不是作为Tensorflow问题，因为，基于提交给Tensorflow (例如)的问题，人们能够通过我陷入困境的地方。我以Tensorflow发行格式提交的原因并不是因为我从自己的帖子中复制粘贴，而是为了向您说明我的问题，亲爱的读者。非常感谢您的帮助。
系统信息
您正在使用的模型的顶层目录是什么： lstm_object_detection
编写了自定义代码(而不是使用TensorFlow中提供的股票示例脚本)： no
操作系统平台和发行版(例如LinuxUbuntu16.04)：Ubuntu18.04
Python版本： 3.6.7
Anaconda版本： 4.
浏览 0提问于2019-03-10得票数 4
1回答
我想要做的是在当前时间步骤将LSTM的输出作为下一个时间步骤中的LSTM的输入。因此，我希望LSTM在当前时间步骤中预测单词，并将这个单词作为下一个时间步骤的输入。这是否可以做到：
如何在培训期间(即在model.fit()函数中)指定输入和目标数据？
浏览 3提问于2017-03-06得票数 3
回答已采纳
我使用TensorFlow已经有相当长的时间了。并且相信我对TensorFlow图是如何在会话中工作和执行的有了彻底的了解。但是，我已经以类似脚本的方式编写了所有的TensorFlow模型，如下所示：
import tensorflow as tf
import DataWorker
import Constants
x = tf.placeholder(tf.float32, [None, Constants.sequenceLength, DataWorker.numFeatures])
y = tf.placeholder(tf.float32, [None, 1])
xTensors
浏览 4提问于2017-10-05得票数 2
在强化学习环境中，我想使用LSTM。因此，我必须计算单个LSTM-step(Timestep)。现在，这通常看起来大致如下：
inputx = tf.placeholder()
lstm_cell = tf.nn.contrib.rnn.LSTMCell(hiddenunits)
state = lstm_cell.zero_state
for i in range(timesteps):
lstm_out, state = lstm_cell(inputx, state)
out = sess.run(lstm_out, feed_dict={inputx:my_input}
浏览 4提问于2018-09-08得票数 0
回答已采纳
2回答
我已经成功地创建了模型，并且它在测试数据上运行良好。我不知道如何让它预测未来的价值，有人能帮我吗？我曾尝试将时间步长更改为负值，以便模型预测未来的值，但我无法执行它，因为我得到了导致我陷入循环的错误。任何帮助都将不胜感激！代码如下：
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
dataset_train = pd.read_csv(r'C:\Users\Vincent\Desktop\file_train.csv', error_bad_lines = False)
traini
浏览 17提问于2020-05-08得票数 1
回答已采纳
1回答
我想知道如何训练(自然的) LSTM模型，在这种模型中，我只使用所有数据点在一个循环中一个接一个地提供单个时间步长，而不仅仅是具有固定时间长度的历史数据点的样本。 而且，可能的区别是什么，为什么使用固定长度是标准，而逐步使用所有点是更直观的方式？ 除了我的理论问题，有没有一个很好的例子，使用单个时间步长的循环，而不是将整个窗口提供给LSTM？
浏览 23提问于2021-05-10得票数 1
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
腾讯会议
实时音视频活动推荐
腾讯云开发者
