浅谈深度学习：了解RNN和构建并预测

RNN简介：

���于这是先浅谈因为我觉着只要先了解两点就够了：

• 1. RNN是什么，百科百科解释：循环神经网络（Recurrent Neural Network, RNN）是一类以序列（sequence）数据为输入，在序列的演进方向进行递归（recursion）且所有节点（循环单元）按链式连接的递归神经网络（recursive neural network），相信看完还是不懂，但起码知道RNN这三个字母简称的来源，但也足够了。

  2. RNN的模型是怎样的，这里我强烈推荐观看b站科普’什么是 LSTM RNN 循环神经网络 (深度学习)?’

     里面所谈到RNN模型的结构是这样的：

     这个很重要我们要知道模型的结构才能知道怎样去构建，请记住！

  代码构建

  根据之前的机械学习我们知道了建模的主要过程，无非就是：

  • 导入数据和清洗数据

  • 可视化找规律（这里我们不用因为是用一个数据特征预测）

  • 构建特征值和归一化（这里我们也不用构建其他特征值，但为了更好学习我们需要归一化）

  • 模型构建和训练

    • 这里要用到之前的模型的结构的知识了

      • X即是我们输入进去的训练数据集
      • 中间的RNN，这里用到了keras的SimpleRNN
      • Y即是输出值，也就是我们的预测值

        因此这个模型的结构用代码实现就是

        python复制代码model = tf.keras.Sequential([    SimpleRNN(80),    Dropout(0.2),    Dense(1)])

      • 有了模型就可以接着训练了，来看下训练效果：

      • 有人可能发现了，上面的代码似乎只是一层RNN，那肯定还可以用多层RNN

        python复制代码model = tf.keras.Sequential([    SimpleRNN(80, return_sequences=True),    Dropout(0.2),    SimpleRNN(100),    Dropout(0.2),    Dense(1)])

      • 预测效果：

        一切看起来都还不赖的样子嘛~

        除了以上代码外，实验还进行了如下尝试：

        • 原始数据训练
        • • 单特征（用一个特征预测此特征）
          • 多特征（用多个特征预测一个特征）
          • 移动平均修正
          • • 多特征（用多个特征预测一个特征）
            • 原始数据训练
            • • 单特征（用一个特征预测此特征）
              • 多特征（用多个特征预测一个特征）
              • 移动平均修正
              • • 多特征（用多个特征预测一个特征）
                • 预测涨跌（添加一个特征‘涨跌’，并加以预测）

                  最后

                  为了帮助大家更好的学习人工智能，这里给大家准备了一份人工智能入门/进阶学习资料，里面的内容都是适合学习的笔记和资料，不懂编程也能听懂、看懂，所有资料朋友们如果有需要全套人工智能入门+进阶学习资源包，可以在评论区或扫.码领取哦）~

                  在线教程

                  • 麻省理工学院人工智能视频教程 – 麻省理工人工智能课程
                  • 人工智能入门 – 人工智能基础学习。Peter Norvig举办的课程
                  • EdX 人工智能 – 此课程讲授人工智能计算机系统设计的基本概念和技术。
                  • 人工智能中的计划 – 计划是人工智能系统的基础部分之一。在这个课程中，你将会学习到让机器人执行一系列动作所需要的基本算法。
                  • 机器人人工智能 – 这个课程将会教授你实现人工智能的基本方法，包括：概率推算，计划和搜索，本地化，跟踪和控制，全部都是围绕有关机器人设计。
                  • 机器学习 – 有指导和无指导情况下的基本机器学习算法
                  • 机器学习中的神经网络 – 智能神经网络上的算法和实践经验
                  • 斯坦福统计学习

                    有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取

                    ​

                    人工智能书籍

                    • OpenCV（中文版）.(布拉德斯基等)
                    • OpenCV+3计算机视觉++Python语言实现+第二版
                    • OpenCV3编程入门 毛星云编著
                    • 数字图像处理_第三版
                    • 人工智能:一种现代的方法
                    • 深度学习面试宝典
                    • 深度学习之PyTorch物体检测实战
                    • 吴恩达DeepLearning.ai中文版笔记
                    • 计算机视觉中的多视图几何
                    • PyTorch-官方推荐教程-英文版
                    • 《神经网络与深度学习》(邱锡鹏-20191121)
                    • …

                      有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取

                      ​

                      第一阶段：零基础入门（3-6个月）

                      新手应首先通过少而精的学习，看到全景图，建立大局观。 通过完成小实验，建立信心，才能避免“从入门到放弃”的尴尬。因此，第一阶段只推荐4本最必要的书（而且这些书到了第二、三阶段也能继续用），入门以后，在后续学习中再“哪里不会补哪里”即可。

                      第二阶段：基础进阶（3-6个月）

                      熟读《机器学习算法的数学解析与Python实现》并动手实践后，你已经对机器学习有了基本的了解，不再是小白了。这时可以开始触类旁通，学习热门技术，加强实践水平。在深入学习的同时，也可以探索自己感兴趣的方向，为求职面试打好基础。

                      第三阶段：工作应用

                      这一阶段你已经不再需要引导，只需要一些推荐书目。如果你从入门时就确认了未来的工作方向，可以在第二阶段就提前阅读相关入门书籍（对应“商业落地五大方向”中的前两本），然后再“哪里不会补哪里”。

                      有需要的小伙伴，可以点击下方链接免费领取或者V扫描下方二维码免费领取

                      ​