kylin_learn的博客

先占个坑，有空更新https://blog.csdn.net/u014595019/article/details/52826423https://blog.csdn.net/mounty_fsc/article/details/78498517https://machinelearningmastery.com/encoder-decoder-long-short-term-memo...

1，在input第一层之间加droppout2.在hiddenlayer中加W_constraint=maxnorm(3)是原始论文里面建议的认为系数最好不要超过3import numpyimport pandasfrom keras.models import Sequentialfrom keras.layers import Densefrom keras.layers...

注意这一种形式和之前时间序列不一样，这个响应值为分类变量，我们只对输入x进行标准化，而之前时间序列是x和y标准化，所以最后y还要inverse.对于不需要inverse的有个更简单的方法1.分类问题结合sklearnimport numpyimport pandasfrom keras.models import Sequentialfrom keras.layers im...

1.实现k-fold这里有个KerasClassifier/KerasRegressor可以使用，但是使用之前我们得建个函数creat_model,然后传给参数build_fn2.用cv选择参数但是第二个一定要谨慎使用，因为计算量巨大，大的proj就不要用了参考：JB博士的deep_learning with python 57页...

1.累加APIfrom keras.models import Sequentialfrom keras.layers import Densemodel = Sequential()model.add(Dense(2, input_dim=1))model.add(Dense(1))但是他有很多限制For example, it is not straightforward...

这里以一维时序为例1.加入上一个、或几个时期的数据shift函数可以实现，参考连接：df['t-1']=df['t'].shift(1) #创建了和t之后一项的序列，同等长度，前面的第一个变成了NA df['t-1']=df['t'].shift(-1) # 提前一项，最后一项为nan2.我们可以通过滑动窗口中的值计算汇总统计信息，并将这些值作为特性包含在数据集中。也许最有用的是...

'''多变量时间序列预测'''import osos.getcwd()os.chdir('C:\\Users\\87671\\Desktop\\比特魔方')from pandas import read_csvfrom datetime import datetimefrom numpy import concatenatefrom matplotlib import py...

from keras.datasets import mnist (train_images, train_labels), (test_images, test_labels) = mnist.load_data()# 1.张量的三个属性print(train_images.ndim) # 轴的个数 3print(train_images.shape) # 形状 （600...

from keras.datasets import imdbfrom keras import preprocessingmax_features = 10000 # 作为特征的单词个数maxlen = 500 # 截断文本从而只有20个词(x_train, y_train),(x_test,y_test) = imdb....

'''用之前时间预测往后不止是一步，而是多步'''from numpy import array # split a univariate sequence into samplesdef split_sequence(sequence, n_steps_in, n_steps_out): X, y = list(), list() for i in range(len(seq...

'''PART 1:多个x时间变量用于预测y的时间但是y不作为x的一份子'''# 创造数据from numpy import arrayfrom numpy import hstackfrom keras.models import Sequentialfrom keras.layers import LSTMfrom keras.layers import Dense# d...

"""Created on Wed Dec 19 21:02:24 2018@author: 87671"""'''Univariate LSTM Models(只有一个时间序列)参考链接：https://machinelearningmastery.com/how-to-develop-lstm-models-for-time-series-forecasting/'''#...

1、dropout是神经网络中最有效的正则化方法；2、传统的dropout在rnn中效果不是很好；dropout在rnn中使用的效果不是很好，因为rnn有放大噪音的功能，所以会反过来伤害模型的学习能力；3、在rnn中使用dropout要放在时间步的连接上，即cell与cell之间传递，而不是神经元；对于rnn的部分不进行dropout，也就是说从t-1时候的状态传递到t时刻进行计算时，这个...