LSTM、GRU、RNN预测(小白教程）

使用LSTM、GRU、RNN进行预测(小白教程）

RNN存在两个问题：梯度爆炸 + 梯度消失，为解决RNN存在的问题，LSTM产生，LSTM神经元包含三个门：遗忘门、输入门、输出门，其中，遗忘门控制着应该保留多少旧信息，输入门控制着多少新的信息可以进入单元，输出门则控制着要输出多少信息。GRU是LSTM的简化版，就是一个没有输出门的LSTM，GRU神经元包含两个门：重置门和更新门，更新门便是遗忘门和输入门的合并。
好了，相关理论就不多说了，直接来做吧~
此篇博客主要使用LSTM、GRU、RNN对大气能见度进行预测

完整代码大家可以到我的git上下载，链接如下：
https://github.com/ainiyk/Air-Quality-Predicition#air-quality-predicition

预测步骤如下：
1、准备数据集
2、归一化数据
3、超参赋值
4、定义代价函数、优化函数
5、训练模型
6、预测

首先读入数据，进行数据预处理。我针对自己的数据进行相关简单处理，比如下面代码中的set_index、drop一些没有用的列，当然在这个阶段还可以做一些缺失值处理的工作等等。

#load data and set index
df = pd.read_csv('beijing.csv',infer_datetime_format=True)
df.set_index(inplace=True, keys=['date'])
df = df.drop(['district_id'],axis=1)

#show the dataset
df.head(5)

处理后的前五条记录展示如下：
接下来，选择我需要的记录，并进行训练集、测试集的划分

#preparation for the dataset
def get_date_str(x, formate='%Y-%m-%d %H:%M:%S'):
    return x.strftime(formate)
start = datetime(2018, 3, 3, 0, 0, 0)
start = get_date_str(start)
end = datetime(2018, 8