档案 | 长短期记忆网络

对于您的序列预测问题，确定长短期记忆模型是否表现良好可能很困难。您可能获得了良好的模型技能分数，但重要的是要知道您的模型是否适合您的数据，或者它是欠拟合还是过拟合，并且可以做到 [...]

理解如何为 LSTM 模型输入准备序列数据可能很困难。输入层如何为 LSTM 模型定义，通常会引起混淆。如何将可能是数字的一维或二维矩阵的序列数据转换为 [...] 也会引起混淆。

开发 LSTM 模型的目标是最终模型，您可以在序列预测问题上使用该模型。在本帖中，您将了解如何完成模型的训练并使用它对新数据进行预测。完成本帖后，您将知道：如何训练最终的 LSTM 模型。如何 [...]

长短期记忆循环神经网络是为序列预测而开发的。除了序列预测问题。LSTM 还可以用作生成模型。在本帖中，您将了解 LSTM 如何用作生成模型。完成本帖后，您将知道：关于生成模型，重点是 [...]

关于用于序列到序列预测的编码器-解码器 LSTM 的入门介绍，附有 Python 代码示例。编码器-解码器 LSTM 是一种循环神经网络，旨在解决序列到序列问题，有时称为 seq2seq。序列到序列预测问题之所以具有挑战性，是因为输入和输出序列中的项目数量可能不同。例如，文本翻译和学习执行 [...]

关于 CNN LSTM 循环神经网络的入门介绍，附有 Python 代码示例。具有空间结构（如图像）的输入，无法用标准的 Vanilla LSTM 轻松建模。CNN 长短期记忆网络或简称 CNN LSTM 是一种 LSTM 架构，专门用于具有空间输入的序列预测问题，如图像或视频。 [...]

关于堆叠 LSTM 的入门介绍，附有 Python 代码示例。原始 LSTM 模型由单个隐藏 LSTM 层和一个标准的前馈输出层组成。堆叠 LSTM 是此模型的扩展，它具有多个隐藏 LSTM 层，其中每个层都包含多个记忆单元。在本帖中， [...]

长短期记忆 (LSTM) 循环神经网络是目前最有趣的深度学习类型之一。它们已被用于在复杂的领域（如语言翻译、自动图像字幕和文本生成）中取得世界一流的成果。LSTM 与多层感知机和卷积神经网络不同，它们 [...]

长短期记忆 (LSTM) 循环神经网络是一种强大的深度学习类型，适用于序列预测问题。使用 LSTM 时可能担心的是，模型的额外复杂性是否提高了模型的技能，或者实际上导致技能低于更简单的模型。在本帖中，您 [...]

序列预测与传统的分类和回归问题不同。它要求您考虑观测值的顺序，并使用具有记忆能力的模型（如长短期记忆 (LSTM) 循环神经网络）来学习观测值之间的任何时间依赖性。应用 LSTM 来学习如何 [...] 至关重要。