长短期记忆（LSTM）网络是一种循环神经网络（RNN），能够学习输入序列中元素之间的关系。LSTM 的一个很好的演示是学习如何使用诸如求和之类的数学运算组合多个术语，并输出计算结果。一个 […]
作者归档 | Jason Brownlee
如何在 Keras 中使用 TimeDistributed 层
长短期记忆网络或 LSTM 是一种流行且强大的循环神经网络（RNN）。即使有 Keras 深度学习库等“易于使用”的接口，配置它们并将其应用于任意序列预测问题也可能相当困难。一个原因是 […]
如何在训练和预测 LSTM 时使用不同的批处理大小
Keras 使用快速符号数学库作为后端，例如 TensorFlow 和 Theano。使用这些库的一个缺点是，您的数据形状和大小必须预先定义一次，并在训练网络或进行预测时保持不变。在序列预测问题上，可能 […]
使用 Python 中的长短期记忆网络演示内存
长短期记忆（LSTM）网络是一种循环神经网络，能够学习长序列。这使它们与没有记忆且只能学习输入和输出模式之间映射的常规多层神经网络区分开来。理解像 LSTM 这样复杂的神经网络的能力很重要 […]
Python 中使用 LSTM 进行多步时间序列预测
长短期记忆网络或 LSTM 是一种可以学习和预测长序列的循环神经网络。除了学习长序列之外，LSTM 的一个优点是它们可以学会进行一次性的多步预测，这对于时间序列预测可能很有用。LSTM 的一个难点是它们 […]
如何在 Python 中将时间序列转换为监督学习问题
像深度学习这样的机器学习方法可用于时间序列预测。在使用机器学习之前，必须将时间序列预测问题重构为监督学习问题。从序列到输入和输出序列的对。在本教程中，您将了解如何转换单变量和多变量时间序列预测 […]
LSTM 网络中的权重正则化用于时间序列预测
长短期记忆（LSTM）模型是一类能够学习观察序列的循环神经网络。这可能使它们成为非常适合时间序列预测的网络。LSTM 的一个问题是它们很容易过拟合训练数据，从而降低预测能力。权重正则化是一种施加约束（如 L1[…]
如何使用统计显著性检验来解释机器学习结果
当比较两个不同的机器学习算法或比较具有不同配置的同一算法时，收集一组结果是一个好习惯。重复每次实验运行 30 次或更多次，可以得到一组结果，从中可以计算出平均预期性能，考虑到大多数[…]
估算随机机器学习算法的实验重复次数
许多随机机器学习算法的一个问题是，同一算法在同一数据上的不同运行会产生不同的结果。这意味着在执行实验来配置随机算法或比较算法时，您必须收集多个结果，并使用平均性能来总结模型的技能。这[…]
带有 LSTM 网络的 Dropout 用于时间序列预测
长短期记忆（LSTM）模型是一类能够学习观察序列的循环神经网络。这可能使它们成为非常适合时间序列预测的网络。LSTM 的一个问题是它们很容易过拟合训练数据，从而降低预测能力。Dropout 是一种正则化方法，其中输入和循环[…]