lstmpython库_学习python的话大概要学习哪些内容

1. python 时间序列模型中forecast和predict的区别

举例说明，2017.01.01-.017.12.31的周期为12的月度数据中，用ARIMA拟合得到模型model。
model.get_prediction(start='2017.09.01'）则得到用拟合模型计算出来的样本内2017.09.01-2017.12.31的预测值；
model.get_forcast(step=5)则得到样本外推5期即2018.01.01-2018.05.31五个月的预测值；
注：
model.get_prediction也可做外推值的预测，设定好具体终止周期即可。

2. 用Python和Keras做LSTM神经网络普通电脑可以吗

你好，如果数据量不大的话，普通电脑可以的。如果数据量很大，建议使用云计算资源。
望采纳。

3. 现在tensorflow和mxnet很火，是否还有必要学习scikit-learn等框架

很有必要，但不用太深入，在Kaggle上认真搞2,3个比赛能进10%的程度就够了

4. 如何在python中用lstm网络进行时间序列预测

时间序列建模器图表那个选项卡左下勾选拟合值就可以了。我的为什么不出现预测值啊啊啊啊~~

5. 学习python的话大概要学习哪些内容

想要学习Python，需要掌握的内容还是比较多的，对于自学的同学来说会有一些难度，不推荐自学能力差的人。我们将学习的过程划分为4个阶段，每个阶段学习对应的内容，具体的学习顺序如下：

Python学习顺序：

①Python软件开发基础

掌握计算机的构成和工作原理
会使用Linux常用工具
熟练使用Docker的基本命令
建立Python开发环境，并使用print输出
使用Python完成字符串的各种操作
使用Python re模块进行程序设计
使用Python创建文件、访问、删除文件
掌握import 语句、From…import 语句、From…import* 语句、方法的引用、Python中的包

②Python软件开发进阶

能够使用Python面向对象方法开发软件
能够自己建立数据库，表，并进行基本数据库操作
掌握非关系数据库MongoDB的使用，掌握Redis开发
能够独立完成TCP/UDP服务端客户端软件开发，能够实现ftp、http服务器，开发邮件软件
能开发多进程、多线程软件

③Python全栈式WEB工程师

能够独立完成后端软件开发，深入理解Python开发后端的精髓
能够独立完成前端软件开发，并和后端结合，熟练掌握使用Python进行全站Web开发的技巧

④Python多领域开发

能够使用Python熟练编写爬虫软件
能够熟练使用Python库进行数据分析
招聘网站Python招聘职位数据爬取分析
掌握使用Python开源人工智能框架进行人工智能软件开发、语音识别、人脸识别
掌握基本设计模式、常用算法
掌握软件工程、项目管理、项目文档、软件测试调优的基本方法

想要系统学习，你可以考察对比一下开设有IT专业的热门学校，好的学校拥有根据当下企业需求自主研发课程的能，南京北大青鸟、中博软件学院、南京课工场等都是不错的选择，建议实地考察对比一下。

祝你学有所成，望采纳。

6. Python的深度学习框架有哪些

中公教育联合中科院专家打造的深度学习分八个阶段进行学习：

第一阶段AI概述及前沿应用成果介绍

深度学习的最新应用成果
单层/深度学习与机器学习
人工智能的关系及发展简

第二阶段神经网络原理及TensorFlow实战

梯度下降优化方法
前馈神经网络的基本结构和训练过程
反向传播算法
TensorFlow开发环境安装
“计算图”编程模型
深度学习中图像识别的操作原理

第三阶段循环神经网络原理及项目实战

语言模型及词嵌入
词嵌入的学习过程
循环神经网络的基本结构
时间序列反向传播算法
长短时记忆网络（LSTM）的基本结构
LSTM实现语言模型

第四阶段生成式对抗网络原理及项目实战

生成式对抗网络（GAN）的基本结构和原理
GAN的训练过程
GAN用于图片生成的实现

第五阶段深度学习的分布式处理及项目实战

多GPU并行实现
分布式并行的环境搭建
分布式并行实现

第六阶段深度强化学习及项目实战

强化学习介绍
智能体Agent的深度决策机制（上）
智能体Agent的深度决策机制（中）
智能体Agent的深度决策机制（下）

第七阶段车牌识别项目实战

数据集介绍及项目需求分析
OpenCV库介绍及车牌定位
车牌定位
车牌识别
学员项目案例评讲

第八阶段深度学习前沿技术简介

深度学习前沿技术简介
元学习
迁移学习等

详情查看深度学习。

7. LSTM模型预测cos函数

python3.6.7、tensorflow1.4.0

这里用numpy对cos函数进行间隔采样，取10000个点作为训练数据，再接着取1000个点作为测试数据。对于取出的数据，放入一个数组中，即一个离散的cos函数的序列，对于这个序列，取对应的点作为输出y，再对应地取点前面的10个点作为此点对应的输入X，即在此时刻根据这10个点X来预测对应的一个点y，自定义一个函数generate_data来完成从序列中生成输入数据X和输出数据y的功能。

这里的模型采用了一个两层LSTM模型，隐藏结点设为30个，最后在LSTM模型后设定了一个全连接层，输出预测结果。训练次数设定为5000次，训练开始前根据初始的参数观察模型在测试集上的预测结果，经过5000次训练后再观察模型在测试集上的预测结果，进行对比。

从输出的图像上可以看到，没有训练之前，测试集的数据经过模型输出的结果均在初始值0.0附近，和正确的cos函数图像丝毫不吻合。在经过5000次训练之后，可以看到测试集经过模型输出的预测结果和正确结果之间的均方差大有下降，在图上可视化的结果也可以看到预测值和正确值的图像高度吻合。

8. python如何预测下一年的数据

顾名思义，时间序列数据是一种随时间变化的数据类型。例如，24小时内的温度，一个月内各种产品的价格，一年中特定公司的股票价格。诸如长期短期记忆网络(LSTM)之类的高级深度学习模型能够捕获时间序列数据中的模式，因此可用于对数据的未来趋势进行预测。在本文中，您将看到如何使用LSTM算法使用时间序列数据进行将来的预测。

9. python lstm怎么加入特征

LSTM是啥，Long Short Term Memory？弄神经网络除非你有绝对自信还是用Python吧。

10. 如何在Python中用LSTM网络进行时间序列预测

时间序列模型

时间序列预测分析就是利用过去一段时间内某事件时间的特征来预测未来一段时间内该事件的特征。这是一类相对比较复杂的预测建模问题，和回归分析模型的预测不同，时间序列模型是依赖于事件发生的先后顺序的，同样大小的值改变顺序后输入模型产生的结果是不同的。
举个栗子：根据过去两年某股票的每天的股价数据推测之后一周的股价变化；根据过去2年某店铺每周想消费人数预测下周来店消费的人数等等

RNN 和 LSTM 模型

时间序列模型最常用最强大的的工具就是递归神经网络（recurrent neural network, RNN）。相比与普通神经网络的各计算结果之间相互独立的特点，RNN的每一次隐含层的计算结果都与当前输入以及上一次的隐含层结果相关。通过这种方法，RNN的计算结果便具备了记忆之前几次结果的特点。

典型的RNN网路结构如下：

4. 模型训练和结果预测
将上述数据集按4:1的比例随机拆分为训练集和验证集，这是为了防止过度拟合。训练模型。然后将数据的X列作为参数导入模型便可得到预测值，与实际的Y值相比便可得到该模型的优劣。

实现代码

时间间隔序列格式化成所需的训练集格式

import pandas as pdimport numpy as npdef create_interval_dataset(dataset, look_back):

""" :param dataset: input array of time intervals :param look_back: each training set feature length :return: convert an array of values into a dataset matrix. """

dataX, dataY = [], [] for i in range(len(dataset) - look_back):

dataX.append(dataset[i:i+look_back])

dataY.append(dataset[i+look_back]) return np.asarray(dataX), np.asarray(dataY)

df = pd.read_csv("path-to-your-time-interval-file")

dataset_init = np.asarray(df) # if only 1 columndataX, dataY = create_interval_dataset(dataset, lookback=3) # look back if the training set sequence length

这里的输入数据来源是csv文件，如果输入数据是来自数据库的话可以参考这里

LSTM网络结构搭建

import pandas as pdimport numpy as npimport randomfrom keras.models import Sequential, model_from_jsonfrom keras.layers import Dense, LSTM, Dropoutclass NeuralNetwork():

def __init__(self, **kwargs):

""" :param **kwargs: output_dim=4: output dimension of LSTM layer; activation_lstm='tanh': activation function for LSTM layers; activation_dense='relu': activation function for Dense layer; activation_last='sigmoid': activation function for last layer; drop_out=0.2: fraction of input units to drop; np_epoch=10, the number of epoches to train the model. epoch is one forward pass and one backward pass of all the training examples; batch_size=32: number of samples per gradient update. The higher the batch size, the more memory space you'll need; loss='mean_square_error': loss function; optimizer='rmsprop' """

self.output_dim = kwargs.get('output_dim', 8) self.activation_lstm = kwargs.get('activation_lstm', 'relu') self.activation_dense = kwargs.get('activation_dense', 'relu') self.activation_last = kwargs.get('activation_last', 'softmax') # softmax for multiple output

self.dense_layer = kwargs.get('dense_layer', 2) # at least 2 layers

self.lstm_layer = kwargs.get('lstm_layer', 2) self.drop_out = kwargs.get('drop_out', 0.2) self.nb_epoch = kwargs.get('nb_epoch', 10) self.batch_size = kwargs.get('batch_size', 100) self.loss = kwargs.get('loss', 'categorical_crossentropy') self.optimizer = kwargs.get('optimizer', 'rmsprop') def NN_model(self, trainX, trainY, testX, testY):

""" :param trainX: training data set :param trainY: expect value of training data :param testX: test data set :param testY: epect value of test data :return: model after training """

print "Training model is LSTM network!"

input_dim = trainX[1].shape[1]

output_dim = trainY.shape[1] # one-hot label

# print predefined parameters of current model:

model = Sequential() # applying a LSTM layer with x dim output and y dim input. Use dropout parameter to avoid overfitting

model.add(LSTM(output_dim=self.output_dim,

input_dim=input_dim,

activation=self.activation_lstm,

dropout_U=self.drop_out,

return_sequences=True)) for i in range(self.lstm_layer-2):

model.add(LSTM(output_dim=self.output_dim,

input_dim=self.output_dim,

activation=self.activation_lstm,

dropout_U=self.drop_out,

return_sequences=True)) # argument return_sequences should be false in last lstm layer to avoid input dimension incompatibility with dense layer

model.add(LSTM(output_dim=self.output_dim,

input_dim=self.output_dim,

activation=self.activation_lstm,

dropout_U=self.drop_out)) for i in range(self.dense_layer-1):

model.add(Dense(output_dim=self.output_dim,

activation=self.activation_last))

model.add(Dense(output_dim=output_dim,

input_dim=self.output_dim,

activation=self.activation_last)) # configure the learning process

model.compile(loss=self.loss, optimizer=self.optimizer, metrics=['accuracy']) # train the model with fixed number of epoches

model.fit(x=trainX, y=trainY, nb_epoch=self.nb_epoch, batch_size=self.batch_size, validation_data=(testX, testY)) # store model to json file

model_json = model.to_json() with open(model_path, "w") as json_file:

json_file.write(model_json) # store model weights to hdf5 file

if model_weight_path: if os.path.exists(model_weight_path):

os.remove(model_weight_path)

model.save_weights(model_weight_path) # eg: model_weight.h5

return model

这里写的只涉及LSTM网络的结构搭建，至于如何把数据处理规范化成网络所需的结构以及把模型预测结果与实际值比较统计的可视化，就需要根据实际情况做调整了。

导航:首页 > 编程语言 > lstmpython库

lstmpython库

与lstmpython库相关的资料