把看过好几次的博文列举一下,记录自己的阅读心得
首先是一些官方文档
https://tensorflow.google.cn/tutorials/structured_data/time_series
《动手学深度学习》(TF2.0版)这个真香
简单粗暴 TensorFlow 2这个单元化清晰
TensorFlow2.0教程-Keras 快速入门
下面是文章
利用LSTM预测股票第二天最高价(tensorflow)(0/1)
tushare+ l s t m
基于马尔科夫链的自动文本生成器
https://github.com/pub12/MarkovText
用马尔科夫链生成文本有两个阶段。 首先是“词典构建阶段”,其中包括收集历史文本,然后生成一个词典,其中,键为给定句子中的词,值为该词之后紧邻的那个词。
在这里,您可以看到原始句子被分解成单词,并将随后的单词与计数器一起包括在内以指示出现的次数。 请注意,句号也包括在内。
第二个是执行,你从一个给定的单词开始,然后用这个单词以概率的方式看下一个单词是什么。
浅谈归一化对于LSTM进行时间序列预测的影响(附归一化代码)
实用的思想:对于训练数据进行归一化之后。使用训练数据的最大最小值(训练数据的范围)对于测试数据进行归一化
归一化之后需要进行返归一化 LSTM进行预测的时候会保留趋势(周期)信息以及训练数据的高低(范围)信息。 进行LSTM预测的时候,我们可以通过对于归一化的选择来进行是否进行高低信息的使用。简单粗暴LSTM:LSTM进行时间序列预测
预测就是 对于过去数据的处理 比如我有200条数据 我会 0-70 去预测 70-100 1-71 预测 71-101----------- 100 - 170 去预测 170 -200 。使用这样的train_X ,train_Y 去训练神经网络 。 预测训练集少一组train_x 和 train_y 但优点就是不会报错长短期记忆(LSTM)系列_LSTM的数据准备(4)——如何归一化标准化长短期记忆网络的数据
什么时候用归一化,什么时候用标准化?
(1)如果对输出结果范围有要求,用归一化。
(2)如果数据较为稳定,不存在极端的最大最小值,用归一化。
(3)如果数据存在异常值和较多噪音,用标准化,可以间接通过中心化避免异常值和极端值的影响。
文中还介绍了二者使用的场景和具体的步骤
基于Keras的LSTM多变量时间序列预测(北京PM2.5数据集pollution.csv)小实践(0/1)
LSTM的输入格式,即[samples,timesteps,features]。
更多细节复现后补充
keras系列︱Sequential与Model模型、keras基本结构功能
Sequential模型就是将层按照逻辑顺序一行行写下来
Model模型在写法上略有不同,主要是每一层的输入都是上一层的输出
这里面对于所有的层的参数讲解十分到位的
Keras实战:基于LSTM的股价预测方法(0/1)
交代了包括数据的处理、模型搭建、模型调参、模型评估等重要环节,十分适合新手入门。
模型优化: 定义调试的函数、调节超参数、优化dropoout值、 优化神经元个数、优化decay值
decay控制着学习速率
基于LTSM的多变量(Features)多输入\多时间跨度(Timesteps)的股票预测模型构建(Keras, Tensorflow, python)(0/1)
笨办法,既先预测v(t),之后再用v(t)预测v(t+1),愚公移山,慢慢挖。。。
不一样的模型就是用v(t-n)来预测v(t+m)时刻感兴趣的特征值。
tensorflow2.0 中lstm的实现(0/1)
十分基础的流程实现,但是版本是tensorflow2.0
input_dim = 28 # 必须和特征的列数目相等