深度学习100例-循环神经网络（RNN）实现股票预测第9天之三

训练数据调整为数组

x_train, y_train = np.array(x_train), np.array(y_train) # x_train形状为：(1240, 60, 1)
x_test,  y_test  = np.array(x_test),  np.array(y_test)

# print(x_train.shape)

x_train = np.reshape(x_train, (x_train.shape[0], 60, 1))
x_test  = np.reshape(x_test,  (x_test.shape[0], 60, 1))

列表是不存在维度问题，数组是有维度的，np.array()把列表转化为数组

可以用x_train.shape来查看自己的数据形状，现在数据处理好了。

构建模型

model = tf.keras.Sequential([
    SimpleRNN(100, return_sequences=True), #布尔值。是返回输出序列中的最后一个输出，还是全部序列。
    Dropout(0.1),                         #防止过拟合
    SimpleRNN(100),
    Dropout(0.1),
    Dense(1)
])

tf.keras.Sequential()序贯模型（Sequential):单输入单输出，一条路通到底，层与层之间只有相邻关系，没有跨层连接。这种模型编译速度快，操作也比较简单。

这里用了两次simpleRNN

激活模型

<