问题： 1. 在失败后放弃 2. 靠游戏和撸管来休息 3. 说得太多 18年： 1. 调整好如何休息（除了休息日能玩游戏外），应该用 睡觉，冥想，运动，阅读，走路跳舞 的方式...
发简信
IP属地：北京
-
@zeekzhen 因为你丢进去的只有时间序列，好比说股价的时间序列， 影响每一天价格的因素除了t-1的价格之外，还有太多的东西了，好比说公司的财务指标，市场环境等等，可是这些在你的模型中都并没有体现
RNN教程之-2 LSTM实战
本文由清华大学硕士大神金天撰写，欢迎大家转载，不过请保留这段版权信息，对本文内容有疑问欢迎联系作者微信：jintianiloveu探讨，多谢合作~ UPDATE:2019-0...
-
@xxx666 哈哈，是的
RNN教程之-2 LSTM实战
本文由清华大学硕士大神金天撰写，欢迎大家转载，不过请保留这段版权信息，对本文内容有疑问欢迎联系作者微信：jintianiloveu探讨，多谢合作~ UPDATE:2019-0...
-
@Nicholas_Jela 在shuffle的情况下确实是的，但是shuffle本身就不合理，这样你部分train的数据就来自于未来了
RNN教程之-2 LSTM实战
本文由清华大学硕士大神金天撰写，欢迎大家转载，不过请保留这段版权信息，对本文内容有疑问欢迎联系作者微信：jintianiloveu探讨，多谢合作~ UPDATE:2019-0...
-
【接龙客栈三当家】<br> 【红尘客栈】老板娘<br><a href="https://www.jianshu.com/p/c41a07bf0a13" target="_blank">http://www.jianshu.com/p/c41a07bf0a13</a> 【简书名片】<br>蔷薇花开遍地香，今生缘来简书情。我是蔷薇下的阳光，喜欢阳光的蔷薇。我已委托“维权骑士”（rightknights.com）为我的文章进行维权行动，如需转载前往 <a href="https://links.jianshu.com/go?to=https%3A%2F%2Frightknights.com%2Fmaterial%2Fauthor%3Fid%3D5006" target="_blank">https://rightknights.com/material/author?id=5006</a> 获取合法授权<br>吾独爱古风，偏爱唯美画面。微信公众号:清酒与暖风。
-
你好，我是简书好青年。<br>这里每周都会发布一个分享会，免费。分享人也许你听过她，也许你完全陌生，这都不好说。我确定的是：这个人肯定有点意思。每周1小时，听另一个空间的人聊聊她眼中的世界。<br><br>对了，如果你有喜欢的谁（不限于简书作者），迫切想听他的分享会，你可以选择：<br><br>①在简书上发布一篇文章，介绍下这人哪里好玩<br>②标题为《我想听他的简书新青年分享会》<br>③评论区里@我，让我看到<br><br>只要文章打动我，我来帮你把这事儿办了。
-
同时作者还犯了第二个错误，就是在normalize data的时候，直接拿所有的data， data_all 去normalize, 但实际上正确的approach 应该是normalize train, 然后用train的parameter 去normalize test（如train的min, max, avg, std等取决于你的normalize 的方法，if train和test来自same underlying distribution)。因为用整个data set 去normalize 的话相当于提前获取了未来的信息（你的normalize 不光是取决于过去/train的data， 还和未来/test有关）
RNN教程之-2 LSTM实战
本文由清华大学硕士大神金天撰写，欢迎大家转载，不过请保留这段版权信息，对本文内容有疑问欢迎联系作者微信：jintianiloveu探讨，多谢合作~ UPDATE:2019-0...
-
本专题招募管理员，有意向请简信私聊，谢谢！ 用来分享机器学习，深度学习，神经网络，计算机视觉等领域的一些技术。 Machine Learning 学习资料：http://www.jianshu.com/p/e0238db24973 相关参考： 1. [Coursera - Machine Learning by Andrew Ng]：https://www.coursera.org/learn/machine-learning 2. [ Stanford CS231n Course]：http://cs231n.github.io/ 课程整理：http://www.jianshu.com/p/182baeb82c71 3. [深度学习与神经网络(英文原版)]：http://neuralnetworksanddeeplearning.com/ [GitBook同步链接]：https://www.gitbook.com/book/tigerneil/neural-networks-and-deep-learning-zh/details 4. [UFLDL教程]：http://deeplearning.stanford.edu/wiki/index.php/UFLDL%E6%95%99%E7%A8%8B （中文） http://ufldl.stanford.edu/wiki/index.php/UFLDL_Tutorial （英文） 5. [Deep Learning - An MIT Press book]：http://www.deeplearningbook.org/ 6. [Neural Network Playground]： http://playground.tensorflow.org/ 7. [A Guide to Deep Learning]： http://www.jianshu.com/p/6752a8845d01 8. [知乎“机器学习”专栏]： https://www.zhihu.com/collection/108812637 9. [How do Convolutional Neural Networks work?] http://www.jianshu.com/p/fe428f0b32c1 …… 希望大家可以相互交流，相互学习！
-
首先感谢作者的分享，挺好的入门教程
但是，针对大家都在问的randomize的问题, 我个人做了一个实验：先按时间顺序做train test split，然后再randomize train（逻辑上应该是一样的），去看看test上fit的结果。结果非常糟糕（至少在我的time series数据上）。
实际上，我一开始看到这篇文章的时候就对randomize 产生了怀疑， 因为LSTM相比RNN, 最大的进步就在于它的gate 对于long term memory 和 working memory 中信息的保存和使用，但是randomize 以后完全就使这个部分无效化了。 但是作者在评论区里的解释并不能让我信服。所以我自己去做了这个尝试，对于结果，我给的一个猜测是： train的时候因为使用的是randomize的数据，所以数据是散布在各个时间段的。 好比说我的数据是15,16,17三年的，那么train和test里就都有这三年每个交易日的数据。 因此，当我们预测test的时候， 很有可能我们预测的时间接下来的时间（好比说我们去预测2017.7.16, 但是2017.7.17-7.20的数据在randomize 后都分配到train里面了）已经被Model给train过了，因此在fit test的时候，它的结果就会更好。事实上，如果先按时间顺序做train test split，不randomize 反而还比randomize 结果要更好（但如果只用time series数据，你很有可能得到的就是滞后一天的趋势）
最后的最后，还是想分享一句我个人信奉的真理：丢进去的数据是shit，再强的模型，出来的结果还是shit
希望这条评论能够对所有以后看到这篇文章的人有所帮助RNN教程之-2 LSTM实战
本文由清华大学硕士大神金天撰写，欢迎大家转载，不过请保留这段版权信息，对本文内容有疑问欢迎联系作者微信：jintianiloveu探讨，多谢合作~ UPDATE:2019-0...
-
Nice work, thx
如何简单的理解LSTM——其实没有那么复杂
译自原文:Understanding LSTM Networks 循环神经网络 人类针对每个问题的思考，一般不会是完全的从头开始思考。正如当你阅读这篇译文的时候，你会根据已经...
