RNN與LSTM如何預測股票市場

㈠ lstm做交通預測的輸入輸出是什麼樣的

間序列預測分析就是利用過去一段時間內某事件時間的特徵來預測未來一段時間內該事件的特徵。這是一類相對比較復雜的預測建模問題，和回歸分析模型的預測不同，時間序列模型是依賴於事件發生的先後順序的，同樣大小的值改變順序後輸入模型產生的結果是不同的。
舉個栗子：根據過去兩年某股票的每天的股價數據推測之後一周的股價變化；根據過去2年某店鋪每周想消費人數預測下周來店消費的人數等等
RNN 和 LSTM 模型
時間序列模型最常用最強大的的工具就是遞歸神經網路（recurrent neural network, RNN）。相比與普通神經網路的各計算結果之間相互獨立的特點，RNN的每一次隱含層的計算結果都與當前輸入以及上一次的隱含層結果相關。通過這種方法，RNN的計算結果便具備了記憶之前幾次結果的特點。
典型的RNN網路結構如下：

㈡ rnn lstm 的區別和聯系

用唐郎眼鏡一段時間覺得眼睛干澀 酸痛好多了！！！

㈢ lstm隱層節點為200相當於rnn的多少

這個問題不具體，如果類似對比參數量相同的話，就相當於800

㈣ 如何調用訓練好的lstm網路去預測新的輸入

LSTM效果很好，不過很多時候我們更願意用GRU來替換之。很多論文都比較過兩者的學習效果，是不相上下的。但是GRU的構造更簡單：比LSTM少一個gate，這樣就少幾個矩陣乘法。在訓練數據很大的情況下GRU能節省很多時間。

㈤ rnn/lstm具備怎樣的特徵提取能力

語言模型主要分為規則模型和統計模型兩種。統計語言模型是用概率統計的方法來揭示語言單位內在的統計規律，其中N-Gram簡單有效，被廣泛使用。N-Gram：該模型基於這樣一種假設，第n個詞的出現只與前面N-1個詞相關，而與其它任何詞都不相關，整句的概率就是各個詞出現概率的乘積。這些概率可以通過直接從語料中統計N個詞同時出現的次數得到。常用的是二元的Bi-Gram和三元的Tri-Gram。語言模型的性能通常用交叉熵和復雜度（Perplexity）來衡量。交叉熵的意義是用該模型對文本識別的難度，或者從壓縮的角度來看，每個詞平均要用幾個位來編碼。復雜度的意義是用該模型表示這一文本平均的分支數，其倒數可視為每個詞的平均概率。平滑是指對沒觀察到的N元組合賦予一個概率值，以保證詞序列總能通過語言模型得到一個概率值。通常使用的平滑技術有圖靈估計、刪除插值平滑、Katz平滑和Kneser-Ney平滑。

㈥ 有哪些LSTM和RNN網路的教

LSTM的三個門輸出數字和向量的情況都有。門（input，forget，output）輸出的維度和cell狀態的維度一致即可。也就是說三個門的輸出分別控制被控制向量（cell input，cell（t-1），cell（t））中的元素。舉個例子，如果cell狀態的維度是1，那麼被控制向量（cell input，cell（t-1），cell（t））的維度也都是1，那麼三個門的輸出都是0-1之間的數字（選用sigmoid激活函數）；如果cell狀態的維度是N，那麼被控制向量（cell input，cell（t-1），cell（t））的維度也分別都是N，那麼三個門的輸出都是0-1之間的向量（選用sigmoid激活函數），且門輸出向量的維度都是N。

㈦ LSTM與RNN之間存在什麼關系

很高興認為我們之間存在的聯系是通過VP s來連接的，它們是相對相輔相成的。

㈧ 為什麼相比於RNN，LSTM在梯度消失上表現更好

在向量微積分中，標量場的梯度是一個向量場。標量場中某一點上的梯度指向標量場增長最快的方向，梯度的長度是這個最大的變化率。更嚴格的說，從歐幾里得空間Rn到R的函數的梯度是在Rn某一點最佳的線性近似。在這個意義上，梯度是雅可比矩陣的一個特殊情況。