时间反向传播（Backpropagation Through Time，简称 BPTT）是用于更新循环神经网络（如 LSTM）中权重的训练算法。要有效地为循环神经网络构建序列预测问题，您必须对时间反向传播算法的作用以及截断时间反向传播（Truncated Backpropagation Through Time）等可配置的变体如何影响 [...] 有扎实的理解。

深度学习库假定您的数据是向量化的表示。对于可变长度序列预测问题，这要求将数据转换为每个序列都具有相同长度的形式。这种向量化使代码能够有效地为批量计算矩阵运算，以用于您选择的深度学习算法。在本教程中，[...]。

双向 LSTM 是传统 LSTM 的一种扩展，可以提高模型在序列分类问题上的性能。在所有输入序列时间步长都可用的问题中，双向 LSTM 会训练两个 LSTM 来处理输入序列，而不是一个。第一个是在输入序列的原始状态下训练，第二个是在输入序列的反向副本上训练 [...]。

长短期记忆（LSTM）循环神经网络的一个强大特性是它们可以记住长序列间隔中的观测值。这可以通过设计一个简单的序列回显问题来演示，在该问题中，整个输入序列或输入序列的连续块被回显为输出序列。开发 LSTM 循环神经网络 [...]。

长短期记忆（LSTM）循环神经网络能够学习长序列数据中的顺序依赖性。它们是用于一系列最先进结果（如图像字幕和机器翻译）的基本技术。它们也可能难以理解，特别是如何构建一个问题以获得最大化的 [...]。

使用 Keras 在 Python 中创建和评估深度学习神经网络非常容易，但您必须遵循严格的模型生命周期。在本文中，您将了解在 Keras 中创建、训练和评估长短期记忆（LSTM）循环神经网络的步骤，以及如何使用已训练的模型进行预测。[...]。