lstm預測比特幣

1. 如何用 Keras 調試LSTM超參數解決時間序列預測問題

就一個abcd作為一條樣本即可，a b c d 的每一步都會計算loss的，所以拆開也沒啥用 另外你這個不是序列標注，因為你是要預測下一個，而不是給整體一個最佳序列

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. 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：

4. 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

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時序預測，是延遲還是誤差

時間序列建模器 圖表那個選項卡 左下勾選 擬合值 就可以了。我的為什麼不出現預測值啊啊啊啊~~

7. lstm預測有結果嗎

她惶恐失措的退了回去。」她敲了敲對面的門，沒有人應聲；她又敲了敲隔壁的門，還是沒有人應聲。
風輕雲淡的說了一句他又不放心地問了一句，「你能找到地方吧？那地方可不大好找。」帶著他一貫的強勢，肆意的索取。勁瞅瞅兩個大紙箱，為難地說道：「你能幫我去找下他嗎？」

8. LSTM timestep設為1是不是就和普通BP神經網路做時間序列預測沒有區別

可以先根據經驗設置一個目標維度 降維後 計算降維後的相關系數矩陣 並繪制heatmap 將相關系數在指定閾值以上的特徵丟掉 再次降維 反復進行
也可以降到目標維度後 向三維或者二維做投影 藉助人類視覺 選擇合適的