lstm如何毁灭股票市场
① 如何为LSTM重新构建输入数据
通常入门的开发者会在有关如何定义LSTM模型的输入层这件事情上感到困惑。还有关于如何将可能是1D或2D数字矩阵的序列数据转换可以输入到LSTM输入层所需的3D格式的困难。
② 在csv文件中如何如何LSTM标签
基本判断：明确地告诉你：想法是好的，但不可以。 原因分析：手机同时打开数据网络（手机SIM卡上网）和WIFI连接，所有的手机系统都是默认数据网络上网，也就是手机卡上网，WIFI打开没有用，只能二选一，要么关闭数据网络上WIFI，要么关闭WIFI上数据网络，同时打开只能默认用数据网络；这不是技术不可能，是产品定位的问题。 建议说明：第三方工具可以可以改变手机默认，不光是系统ROOT的问题， 这是通讯主板底层系统是不是可以改变的问题，所以说，放弃这种想法吧。
③ 如何理解lstm的时序
语言模型主要分为规则模型和统计模型两种。统计语言模型是用概率统计的方法来揭示语言单位内在的统计规律，其中N-Gram简单有效，被广泛使用。N-Gram：该模型基于这样一种假设，第n个词的出现只与前面N-1个词相关，而与其它任何词都不相关
④ 如何理解LSTM模型的bptt
觉得LSTM bptt的过程跟rnn是一样的，实际上之所以用到bptt是因为需要对参数W（对应上一步隐含层的权重矩阵）进行求导． 该过程是这样的，一个句子对应一个训练样本，先用前向传播计算出句子中各词(对应各时刻)的隐含层和输出层向量，并分别保存在数组中．参数更新是一个梯度下降的过程跟BP完全一样，对该句子从最后一个词到第一个词对应的损失函数求各参数的梯度后更新参数．正是这个过程用了bptt
⑤ LSTM神经网络输入输出究竟是怎样的
输入输出都是向量，或者说是矩阵。LSTM用于分类的话，后面一般会接softmax层。个人浅薄理解，拿动作识别分类举例，每个动作帧放入LSTM中训练，还是根据task来训练每个LSTM单元的Weights。所以LSTM的单元数量跟输入和输出都没有关系，甚至还可以几层LSTM叠加起来用。分类的话，一般用最后一个单元接上softmax层。LSTM结构是传统的RNN结构扩展，解决了传统RNN梯度消失/爆炸的问题，从而使得深层次的网络更容易训练。从这个角度理解，可能会容易很多。今年的ResNet也是使传统的CNN更容易训练weights。看来deeplearning越来越深是趋势啊。如果说训练，就一个关键，所谓LSTMUnroll，将RNN展开成一个静态的“并行”网络，内部有“侧向连接”，实现长的短时记忆功能（状态“记忆”在LSTMCell里）。如果说预测，也就一个关键，要将Cell的h和C弄出来，作为当前状态（也就是所谓“记忆”）作为init参数输入，这样，携带了当前记忆状态的网络，预测得到的就是下一个输入了，所谓的recurrent了。那份代码里还包含了一个使用cudnn的实现（built-inRNNoperator），这是一个高性能的版本，可以真正干活的。原来我也尝试搞懂一些天书般的公式，很快发现从那里入手是个错误。强烈推荐：理解LSTM网络（翻译自UnderstandingLSTMNetworks）只要有一点点CNN基础+半个小时，就可以通过这篇文章理解LSTM的基础原理。回答你的问题：和神经元个数无关，不知道你是如何理解“神经元”这个概念的，输入输出层保证tensor的维数和输入输出一致就可以了。
⑥ lstm做交通预测的输入输出是什么样的
间序列预测分析就是利用过去一段时间内某事件时间的特征来预测未来一段时间内该事件的特征。这是一类相对比较复杂的预测建模问题，和回归分析模型的预测不同，时间序列模型是依赖于事件发生的先后顺序的，同样大小的值改变顺序后输入模型产生的结果是不同的。
举个栗子：根据过去两年某股票的每天的股价数据推测之后一周的股价变化；根据过去2年某店铺每周想消费人数预测下周来店消费的人数等等
RNN 和 LSTM 模型
时间序列模型最常用最强大的的工具就是递归神经网络（recurrent neural network, RNN）。相比与普通神经网络的各计算结果之间相互独立的特点，RNN的每一次隐含层的计算结果都与当前输入以及上一次的隐含层结果相关。通过这种方法，RNN的计算结果便具备了记忆之前几次结果的特点。
典型的RNN网路结构如下：
⑦ 如何自定义LSTM的initial state
可以把 LSTMStateTuple() 看做一个op
from tensorflow.contrib.rnn.python.ops.core_rnn_cell_impl import LSTMStateTuple
...
c_state = ...
h_state = ...
# c_state , h_state 都为Tensor
initial_state = LSTMStateTuple(c_state, h_state)
1234567812345678
当然，GRU就没有这么麻烦了，因为GRU没有两个state。
⑧ 请教用人工神经网络进行股票预测在weka
预测股票可不是有以往股票数据就能的，要考虑因果性，现实事件与股票波动有因果性，也就是时序性。在这情况下有LSTM单元组成循环神经网络可以做到，但训练集的强度跟体积可是很大的，这需要注意。
⑨ 如何理解LSTM后接CRF
有一个答案给的是一篇acl2016的论文，采用的神经网络结构是 cnn ＋ lstm ＋crf的经典架构，是一个很成熟的系统
目前来说，实体识别的应用领域，lstm＋crf是一种标配了，短期内我认为只要在attention方面没有很大的突破，这一框架都不会变化
要理解为什么lstm后面要接crf层，首先应该理解的是crf的功能
题主问这个问题，想必是明白lstm的output，我们姑且不讨论原理，lstm在序列标注的问题，落实到题主说的ner，也就是一个seq2seq，在英文中，可以是对每一个input的单词，对例如bieo的四个标签进行预测，假设当前输出的事100个words，那个输出的就是100*4的一个概率预测，这应该就是答主的疑惑，我们直接用一个分类器，四个里面选一个就好了，为什么要再接crf呢？
那么，我们首先考虑我们使用lstm的初衷，就是为了考虑上下文来分析当前的tag标注，其实crf也是接近的原理，crf意会一点的描述其实有点像一张概率图，在single crf中，你需要做的是尽可能的对每个对象挖掘多的特征，然后学习他们之间的一种“衔接”关系，在lstm后面加上crf，相当于对lstm抽象过的一种语言关系来进行crf训练，可以使用那篇论文上的likehood函数，当然使用labelwise的也可以，这也属于调参的一部分
总之我个人的理解，crf相当于对lstm信息的再利用，利用效率高于一个简单的分类器，实际情况也适合这一点，题主不妨找个实例测测玩玩，也就明白了
⑩ 如何使用lstm对cifar数据集来分类
1 cifar10数据库 60000张32*32 彩色图片 共10类 50000张训练 10000张测试 下载cifar10数据库 这是binary格式的，所以我们要把它转换成leveldb格式。 2 在../caffe-windows/examples/cifar10文件夹中有一个 convert_cifar_data.cpp 将他include