lstm神經網路期貨價格

㈠ LSTM神經網路輸入輸出究竟是怎樣的

每個時刻的輸入都是一個向量，它的長度是輸入層神經元的個數。在你的問題中，這個向量就是embedding向量。它的長度與時間步的個數（即句子的長度）沒有關系。
每個時刻的輸出是一個概率分布向量，其中最大值的下標決定了輸出哪個詞。

㈡ lstm神經網路輸入輸出究竟是怎樣的

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。

㈢ 問一下大家神經網路演算法有多少種啊，說能科普一下啊

神經網路就是一種演算法，只是說比較大，屬於大型演算法。裡面有一些協助的小演算法，比如bp，rnn，lstm 屬於神經網路結構。
這個沒幾個月說不清楚的

㈣ LSTM神經網路輸入輸出究竟是怎樣的

關於如何輸入的問題，LSTM是一個序列模型，對於輸入數據也是一個序列，LSTM每個時間步處理的是序列中一個時刻的輸入，比如你當前輸入是一個漢字「我」，因為模型只能接受的是數值向量，因此需要embedding，「我」就需要變成了一個向量，假如是[0.1,0.8,3.2,4.3]（通過wordembedding技術獲得），這里向量維度是4，那麼就需要4個神經元去接收向量中的每個元素，而這四個神經元就構成了當前時刻的LSTMUnit，其他時刻也是這樣，從而完成輸入。因此就可以知道輸入層神經元（LSTMunit中神經元數）的個數等於詞向量的size。

㈤ LSTM神經網路有推理能力嗎

首先推理是用以知來解讀未知，在用證據來加強對未知答案的確定，這個事情就是這么發展的 ，而不是像1+1就是等於2這樣肯定，想要肯定只能是用相關的線索來加強確定， 而LSTM神經網路的性質就是，1+1就是等於2，這樣樓主能理解嗎？也就是說它是不含推理能力的。

㈥ LSTM神經網路中，time step和batch size有什麼關系嗎

神經網路似乎沒有步長的說法，你指的是net.trainParam.show？net.trainParam.show是指顯示訓練迭代過程n個周期後顯示一下收斂曲線的變化。
在定義了網路之後，train訓練函數之前，加上下面兩個語句：
net.trainParam.showWindow = false;
net.trainParam.showCommandLine = false;
親測不會彈出提示。
這樣使得我們能在較長時間的訓練中，騰出電腦去做別的事。否則窗口會不停彈出來，影響使用。

㈦ lstm神經網路屬不屬於深度學習領域

屬於。
lstm是RNN的進階。

㈧ 用Python和Keras做LSTM神經網路普通電腦可以嗎

你好，如果數據量不大的話，普通電腦可以的。如果數據量很大，建議使用雲計算資源。
望採納。

㈨ LSTM timestep設為1是不是就和普通BP神經網路做時間序列預測沒有區別

可以先根據經驗設置一個目標維度 降維後 計算降維後的相關系數矩陣 並繪制heatmap 將相關系數在指定閾值以上的特徵丟掉 再次降維 反復進行
也可以降到目標維度後 向三維或者二維做投影 藉助人類視覺 選擇合適的

㈩ 請教用人工神經網路進行股票預測在weka

預測股票可不是有以往股票數據就能的，要考慮因果性，現實事件與股票波動有因果性，也就是時序性。在這情況下有LSTM單元組成循環神經網路可以做到，但訓練集的強度跟體積可是很大的，這需要注意。