学习使我快乐

Time Series Forecasting with the Long Short-Term Memory Network in Python长短时记忆循环神经网络（LSTM）在学习观测长序列具有很好的前景。这种方法看上去与解决时间序列预测问题完美的匹配，而事实上，它可能真的如此。在本教程里，你将了解如何开发一个 LSTM 预测模型，以解决单变量单步时间序列预测问题。

Understand the Difference Between Return Sequences and Return States for LSTMs in KerasKears LSTM API 中给出的两个参数描述return_sequences：默认 False。在输出序列中，返回单个 hidden state值还是返回全部time step 的 hidden state值。 Fals

name_scope与variable_scopeimport tensorflow as tfOutline变量重用总结1.变量重用在Tensorflow中，直接重用变量会出错，必须指明 reuse。 变量重用实现的就是RNN中的参数共享操作。此处的 with 和其他处的不太一样，执行完后，里面所申请的变量还驻留在内存中，所以打印语句在外面也是可以实现的。# name_scope + Var

TensorBoard-01-网络结构官方的例子，for me， 一个小白，还是有点复杂，于是，我只要把它拆分一下，自我学习，大佬们就直接跳过把 本篇不进行训练，只搭建网络结构。并在 tensorboard 中展示本文打算搭建一个2个隐层的神经网络结构import tensorflow as tf# 函数准备def nn_layer(input_tensor, input_dim, output_

静态与动态RNN比较Tensorflow中提供了两种创建RNN结构的函数:tf.nn.static_rnntf.nn.dynamic_rnn两个函数的区别如下[1]：tf.nn.static_rnn creates an unrolled graph for a fixed RNN length. That means, if you call tf.nn.static_rnn with in