keras LSTM网络的实例和解释

最新推荐文章于 2025-05-08 20:32:32 发布

yangyuwen_yang

最新推荐文章于 2025-05-08 20:32:32 发布

阅读量2.1w

点赞数 12

分类专栏： python 深度学习环境搭建深度学习，python 文章标签：深度学习 LSTM网络 python keras 时间序列预测

本文链接：https://blog.youkuaiyun.com/yangyuwen_yang/article/details/82218100

版权

本文深入解析keras LSTM网络的使用，包括函数参数解释和实例，涉及时间序列预测，如sin函数和股票价格预测。通过对比不同预测方案，探讨了网络在时间序列上的预测能力，揭示了单点预测的陷阱，并分享了代码实践中的问题与思考。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

LSTM网络的实例和解释

注：本文主要参考 LSTM实例中sin函数和股票的预测，本文对该文章进行了进一步的解释，以及该文章所提供的源码中bug的纠正和完善。
除了本篇论文中涉及的实例，更多可以学习的LSTM实例见人数预测和人类行为预测。

keras LSTM函数使用实例和注释

官方文档给出的LSTM函数的使用规则参考价值不大，因为参量过于复杂，而且解释很少，参考几个开源代码，总结出如下的几种使用方法，不足之处请道友不吝赐教！

用法1： LSTM(output_dim=CELL_SIZE, input_dim=INPUT_SIZE, input_length=TIME_STEPS, return_sequences=Flase，stateful=FALSE)

output_dim：输出单个样本的特征值的维度
input_dim：输入单个样本特征值的维度
input_length：输入的时间点长度
return_sequences：布尔值，默认False，控制返回类型。若为True则返回整个序列，否则仅返回输出序列的最后一个输出，即当return_sequences取值为True时，网络输入和输出的时间长度TIME_STEPS保持不变，而当return_sequences取值为FALSE时，网络输出的数据时间长度为1。例如输入数据时间长度为5，输出为一个结果。
stateful：布尔值，默认为False，若为True，则一个batch中下标为i的样本的最终状态将会用作下一个batch同样下标的样本的初始状态。当batch之间的时间是连续的时候，就需要stateful取True，这样batch之间时间连续。

实例程序如下：

model = Sequential()
model.add(LSTM(32, input_dim=64, input_length=10, return_sequences=True))
# note that you only need to specify the input size on the first layer.
# for subsequent layers, no need to specify the input size:
model.add(LSTM(16, return_sequences=True))
model.add(LSTM(10))

上面的程序构建的网络，输入数据的形状为10个时间长度，每一个时间点下的样本数据特征值维度是64。
第一层LSTM 输出的数据，时间维度仍然是10，每一个时间点下的样本数据特征值维度是32。
第