【无标题】

LSTM

数据准备

数据缩放
normalizaiton——将数据放缩到0~1的区间
standardization——将数据放缩为均值0，标准差1
准备变长序列
使用keras中的pad_sequance()函数，可以在序列开头或结尾填充给定数据，默认填充0.0

[1,2,3,4],
[1,2,3],
[1]
变为
[1 2 3 4]
[1 2 3 0]
[1 0 0 0]

序列裁剪
可以从序列首裁剪也可以从序列尾部,默认truncating=‘pre’

定义模型

(1)主要使用Sequential()类下的LSTM()和Dense(),如：
layers = [LSTM(2),Dense(1)]
model = Sequential(layers）
维度转换，如将2D转为3D：
data = data.reshape((data.shape[0], data.shape[1], 1))

定义优化算法和损失函数

algorithm = SGD(lr=0.1, momentum=0.3)
model.compile(optimizer=algorithm, loss= mse )
或者
model.compile(optimizer= sgd , loss= mean_squared_error , metrics=[ accuracy ]）

拟合模型

history = model.fit(X, y, batch_size=10, epochs=100, verbose=0)

评估模型

使用测试评估集在模型上进行评估：
loss, accuracy = model.evaluate(X, y, verbose=0)

模型预测

使用predicte()函数
predictions = model.predict(X, verbose=0)