两天没写了。。。

<!-- @page { margin: 2cm } P { margin-bottom: 0.21cm } --> <!-- @page { margin: 2cm } P { margin-bottom: 0.21cm } -->

大段的时间用来做无聊的整理工作是不明智的。

原来计划是上周做好整理的,东西太过散乱了,很多东西的‘度’不能做到很好的把握,所以总体感觉没有达到预期目标。

在前编的“问题程序”没有整理过。这个 vi,makefile 掌握的东西暂时用用应该差不多了,现在过度追究下去效果不是很好,还是浪费了不是时间才认识到这点的。

要知道为什么学?要知道学的是什么?要知道怎么学?要知道学了如何用?最后还要知道用的时候出了问题该如何解决? 一位前辈提出的这几个问题确实是很有必要时常的问问自己阿。问题应该是出在要学的是什么这个问题,经常性的会迷失在知识的海洋里,毕竟好学的东西太多了,自己的求知欲还是挺强的。为了更多的获取知识就要高效的去学习去吸收,目前自己的问题是没有做好先后顺序,没有非常的明确要获取的是什么。以后要做的是在查找资料的时候先列出需要解决的问题,在查找资料的时候会遇到很多感兴趣的话题,这个时候一般情况要记得就此打住不要深入下去可以先把这个话题记录下来。把原来的问题解决的在去研究解决问题是所碰到的东西。太多的时间浪费在,这里做一点,那里弄一点结果老问题,又成了新问题(问题没解决阿)。

在学习的时候,还是缺少主线,目前拿到的资料质量不高是一个比较大的问题把,当然还是跟自己的学习习惯密切相关阿。比如 bootloader 这块,感觉总体是有了那么点感觉了,还是没有对其中一种 boot 源代码很系统的分析一编所以感觉还是,学的不够实还是浮在那里。这种心态应该可以用浮躁来解释把。

 

 

 

要预测未来两天的时间序列数据,可以使用机器学习或深度学习的方法进行预测,下面是一个简单的基于LSTM神经网络的时间序列预测代码示例,可以预测未来两天的数据。 首先,需要安装以下Python库:numpy、pandas、tensorflow、keras。 ``` import numpy as np import pandas as pd from keras.models import Sequential from keras.layers import Dense, LSTM # 加载数据 data = pd.read_csv('data.csv', header=None) # 数据预处理 data = np.array(data) data = data.reshape(data.shape[0], 1) # 划分训练集和测试集 train_size = int(len(data) * 0.8) test_size = len(data) - train_size train_data, test_data = data[0:train_size,:], data[train_size:len(data),:] # 创建数据集 def create_dataset(dataset, look_back=1): dataX, dataY = [], [] for i in range(len(dataset)-look_back-2): a = dataset[i:(i+look_back), 0] dataX.append(a) dataY.append(dataset[i + look_back+1, 0]) return np.array(dataX), np.array(dataY) look_back = 7 trainX, trainY = create_dataset(train_data, look_back) testX, testY = create_dataset(test_data, look_back) # 创建LSTM模型 model = Sequential() model.add(LSTM(units=50, input_shape=(1, look_back))) model.add(Dense(1)) model.compile(loss='mean_squared_error', optimizer='adam') # 训练模型 model.fit(trainX, trainY, epochs=100, batch_size=1, verbose=2) # 预测未来两天 last7days = testX[-1:, :] prediction1 = model.predict(last7days.reshape(1, 1, 7)) prediction2 = model.predict(np.append(last7days[:, 1:], prediction1).reshape(1, 1, 7)) print('预测结果为:', prediction1[0][0], prediction2[0][0]) ``` 其中,data.csv是时间序列数据文件,包含多个时间步数的数据,每一行代表一个时间步数的数据。look_back表示历史数据长度,这里设置为7,即使用过去7天的数据预测未来两天的数据。训练模型时,使用LSTM神经网络,优化器为adam,损失函数为均方误差。最后,通过模型预测未来两天的数据,其中prediction1表示第一天的预测结果,prediction2表示第二天的预测结果。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值