golang 不定长切片_为什么要在时间序列预测中使用seq2seq以及seq2seq为什么可以支持不定长的输入和输出...

为什么使用seq2seq：

1、seq2seq的架构相对于常规的cnn或者rnn处理序列问题的效果在实际的应用中效果更好；

2、seq2seq的框架非常灵活可以支持不定长的输入和输出；

3、seq2seq中的很多技巧可以进一步提升模型的效果，例如attention机制、teacher forcing等；

4、seq2seq考虑了输出的标签之间的序列依赖性，这是常规的RNN或cnn无法做到的，常规的RNN和CNN只能以输出向量的形式解决多步预测问题，这意味着它们无法考虑到输出标签之间的序列依赖性；

例如常规的LSTM我们要解决n步预测问题，则输出ht一般会接 Dense层，这个dense层的units的数量设置为n，此时实际上就是一个简单的全连接层将hidden state映射为一个n维的向量，从而满足问题的数据的形式，这个时候n维向量输出（即n个待预测的时间步）之间是完全独立，不互相影响的；

而seq2seq的结构则可以考虑到输出序列之间的序列依赖性；

那么seq2seq为什么可以支持不定长的输入和输出呢？

这一点看似复杂，其实在实现上非常的简单：

from keras.layers import Input, LSTM, Dense

# Define an input sequence and process it.
encoder_inputs = Input(shape=(None, num_encoder_tokens))
encoder = LSTM(latent_dim, return_state=True)
encoder_outputs, state_h, state_c = encoder(encoder_inputs)
# We discard `encoder_outputs` and only keep the