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