作者归档 | Jason Brownlee

在开始一个新的神经网络预测建模项目时，可能会感到困难。需要配置的东西太多了，而且不知道从哪里入手。系统化非常重要。你可以打破错误的假设，快速找到有效的配置和值得进一步研究的领域 [...]

某些神经网络配置可能导致模型不稳定。这使得在描述性统计中使用它们来表征和与其他模型配置进行比较变得困难。一个很好的例子是使用在线学习（批量大小为 1）来训练有状态的长短期记忆 [...]

Keras Python 深度学习库支持有状态和无状态的长短期记忆（LSTM）网络。在使用有状态 LSTM 网络时，我们可以精细地控制 LSTM 网络的内部状态何时被重置。因此，在拟合和进行预测时，理解管理这种内部状态的不同方法非常重要 [...]

Keras 中的长短期记忆（LSTM）网络支持多个输入特征。这引发了一个问题，即一元时间序列的滞后观测值是否可以作为 LSTM 的特征，以及这是否会提高预测性能。在本教程中，我们将研究滞后观测值作为特征的使用 [...]

Keras 中的长短期记忆（LSTM）网络支持时间步。这引发了一个问题，即一元时间序列的滞后观测值是否可以作为 LSTM 的时间步，以及这是否会提高预测性能。在本教程中，我们将研究滞后观测值作为时间步的使用 [...]

使用神经网络模型进行时间序列预测的一个好处是，在有新数据可用时可以更新权重。在本教程中，您将了解如何使用新数据更新用于时间序列预测的长短期记忆（LSTM）循环神经网络。完成本教程后，您将知道：[...]

配置神经网络之所以困难，是因为没有好的理论指导。你必须系统地探索动态和客观结果的观点，以了解特定预测建模问题的情况。在本教程中，你将 [...]

长短期记忆网络（LSTM）是一种强大的循环神经网络，能够学习长序列的观测值。LSTM 的一个承诺是它们可能在时间序列预测方面非常有效，尽管众所周知，该方法在这些方面的配置和使用很困难。LSTM 的一个关键特性 [...]

长短期记忆循环神经网络有望学习长序列的观测值。它似乎非常适合时间序列预测，事实上也可能如此。在本教程中，您将学习如何为一步法单变量时间序列预测问题开发 LSTM 预测模型。完成此 [...]