lstm预测比特币

1. 如何用 Keras 调试LSTM超参数解决时间序列预测问题

就一个abcd作为一条样本即可，a b c d 的每一步都会计算loss的，所以拆开也没啥用 另外你这个不是序列标注，因为你是要预测下一个，而不是给整体一个最佳序列

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. 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：

4. 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

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时序预测，是延迟还是误差

时间序列建模器 图表那个选项卡 左下勾选 拟合值 就可以了。我的为什么不出现预测值啊啊啊啊~~

7. lstm预测有结果吗

她惶恐失措的退了回去。”她敲了敲对面的门，没有人应声；她又敲了敲隔壁的门，还是没有人应声。
风轻云淡的说了一句他又不放心地问了一句，“你能找到地方吧？那地方可不大好找。”带着他一贯的强势，肆意的索取。劲瞅瞅两个大纸箱，为难地说道：“你能帮我去找下他吗？”

8. LSTM timestep设为1是不是就和普通BP神经网络做时间序列预测没有区别

可以先根据经验设置一个目标维度 降维后 计算降维后的相关系数矩阵 并绘制heatmap 将相关系数在指定阈值以上的特征丢掉 再次降维 反复进行
也可以降到目标维度后 向三维或者二维做投影 借助人类视觉 选择合适的