lstm如何毀滅股票市場
① 如何為LSTM重新構建輸入數據
通常入門的開發者會在有關如何定義LSTM模型的輸入層這件事情上感到困惑。還有關於如何將可能是1D或2D數字矩陣的序列數據轉換可以輸入到LSTM輸入層所需的3D格式的困難。
② 在csv文件中如何如何LSTM標簽
基本判斷：明確地告訴你：想法是好的，但不可以。 原因分析：手機同時打開數據網路（手機SIM卡上網）和WIFI連接，所有的手機系統都是默認數據網路上網，也就是手機卡上網，WIFI打開沒有用，只能二選一，要麼關閉數據網路上WIFI，要麼關閉WIFI上數據網路，同時打開只能默認用數據網路；這不是技術不可能，是產品定位的問題。 建議說明：第三方工具可以可以改變手機默認，不光是系統ROOT的問題， 這是通訊主板底層系統是不是可以改變的問題，所以說，放棄這種想法吧。
③ 如何理解lstm的時序
語言模型主要分為規則模型和統計模型兩種。統計語言模型是用概率統計的方法來揭示語言單位內在的統計規律，其中N-Gram簡單有效，被廣泛使用。N-Gram：該模型基於這樣一種假設，第n個詞的出現只與前面N-1個詞相關，而與其它任何詞都不相關
④ 如何理解LSTM模型的bptt
覺得LSTM bptt的過程跟rnn是一樣的，實際上之所以用到bptt是因為需要對參數W（對應上一步隱含層的權重矩陣）進行求導． 該過程是這樣的，一個句子對應一個訓練樣本，先用前向傳播計算出句子中各詞(對應各時刻)的隱含層和輸出層向量，並分別保存在數組中．參數更新是一個梯度下降的過程跟BP完全一樣，對該句子從最後一個詞到第一個詞對應的損失函數求各參數的梯度後更新參數．正是這個過程用了bptt
⑤ LSTM神經網路輸入輸出究竟是怎樣的
輸入輸出都是向量，或者說是矩陣。LSTM用於分類的話，後面一般會接softmax層。個人淺薄理解，拿動作識別分類舉例，每個動作幀放入LSTM中訓練，還是根據task來訓練每個LSTM單元的Weights。所以LSTM的單元數量跟輸入和輸出都沒有關系，甚至還可以幾層LSTM疊加起來用。分類的話，一般用最後一個單元接上softmax層。LSTM結構是傳統的RNN結構擴展，解決了傳統RNN梯度消失/爆炸的問題，從而使得深層次的網路更容易訓練。從這個角度理解，可能會容易很多。今年的ResNet也是使傳統的CNN更容易訓練weights。看來deeplearning越來越深是趨勢啊。如果說訓練，就一個關鍵，所謂LSTMUnroll，將RNN展開成一個靜態的「並行」網路，內部有「側向連接」，實現長的短時記憶功能（狀態「記憶」在LSTMCell里）。如果說預測，也就一個關鍵，要將Cell的h和C弄出來，作為當前狀態（也就是所謂「記憶」）作為init參數輸入，這樣，攜帶了當前記憶狀態的網路，預測得到的就是下一個輸入了，所謂的recurrent了。那份代碼里還包含了一個使用cudnn的實現（built-inRNNoperator），這是一個高性能的版本，可以真正幹活的。原來我也嘗試搞懂一些天書般的公式，很快發現從那裡入手是個錯誤。強烈推薦：理解LSTM網路（翻譯自UnderstandingLSTMNetworks）只要有一點點CNN基礎+半個小時，就可以通過這篇文章理解LSTM的基礎原理。回答你的問題：和神經元個數無關，不知道你是如何理解「神經元」這個概念的，輸入輸出層保證tensor的維數和輸入輸出一致就可以了。
⑥ lstm做交通預測的輸入輸出是什麼樣的
間序列預測分析就是利用過去一段時間內某事件時間的特徵來預測未來一段時間內該事件的特徵。這是一類相對比較復雜的預測建模問題，和回歸分析模型的預測不同，時間序列模型是依賴於事件發生的先後順序的，同樣大小的值改變順序後輸入模型產生的結果是不同的。
舉個栗子：根據過去兩年某股票的每天的股價數據推測之後一周的股價變化；根據過去2年某店鋪每周想消費人數預測下周來店消費的人數等等
RNN 和 LSTM 模型
時間序列模型最常用最強大的的工具就是遞歸神經網路（recurrent neural network, RNN）。相比與普通神經網路的各計算結果之間相互獨立的特點，RNN的每一次隱含層的計算結果都與當前輸入以及上一次的隱含層結果相關。通過這種方法，RNN的計算結果便具備了記憶之前幾次結果的特點。
典型的RNN網路結構如下：
⑦ 如何自定義LSTM的initial state
可以把 LSTMStateTuple() 看做一個op
from tensorflow.contrib.rnn.python.ops.core_rnn_cell_impl import LSTMStateTuple
...
c_state = ...
h_state = ...
# c_state , h_state 都為Tensor
initial_state = LSTMStateTuple(c_state, h_state)
1234567812345678
當然，GRU就沒有這么麻煩了，因為GRU沒有兩個state。
⑧ 請教用人工神經網路進行股票預測在weka
預測股票可不是有以往股票數據就能的，要考慮因果性，現實事件與股票波動有因果性，也就是時序性。在這情況下有LSTM單元組成循環神經網路可以做到，但訓練集的強度跟體積可是很大的，這需要注意。
⑨ 如何理解LSTM後接CRF
有一個答案給的是一篇acl2016的論文，採用的神經網路結構是 cnn ＋ lstm ＋crf的經典架構，是一個很成熟的系統
目前來說，實體識別的應用領域，lstm＋crf是一種標配了，短期內我認為只要在attention方面沒有很大的突破，這一框架都不會變化
要理解為什麼lstm後面要接crf層，首先應該理解的是crf的功能
題主問這個問題，想必是明白lstm的output，我們姑且不討論原理，lstm在序列標注的問題，落實到題主說的ner，也就是一個seq2seq，在英文中，可以是對每一個input的單詞，對例如bieo的四個標簽進行預測，假設當前輸出的事100個words，那個輸出的就是100*4的一個概率預測，這應該就是答主的疑惑，我們直接用一個分類器，四個裡面選一個就好了，為什麼要再接crf呢？
那麼，我們首先考慮我們使用lstm的初衷，就是為了考慮上下文來分析當前的tag標注，其實crf也是接近的原理，crf意會一點的描述其實有點像一張概率圖，在single crf中，你需要做的是盡可能的對每個對象挖掘多的特徵，然後學習他們之間的一種「銜接」關系，在lstm後面加上crf，相當於對lstm抽象過的一種語言關系來進行crf訓練，可以使用那篇論文上的likehood函數，當然使用labelwise的也可以，這也屬於調參的一部分
總之我個人的理解，crf相當於對lstm信息的再利用，利用效率高於一個簡單的分類器，實際情況也適合這一點，題主不妨找個實例測測玩玩，也就明白了
⑩ 如何使用lstm對cifar數據集來分類
1 cifar10資料庫 60000張32*32 彩色圖片 共10類 50000張訓練 10000張測試 下載cifar10資料庫 這是binary格式的，所以我們要把它轉換成leveldb格式。 2 在../caffe-windows/examples/cifar10文件夾中有一個 convert_cifar_data.cpp 將他include