「持續更新中」最近瀏覽的網站心得總結
把看過好幾次的博文列舉一下，記錄自己的閱讀心得
首先是一些官方文件
https://tensorflow.google.cn/tutorials/structured_data/time_series
《動手學深度學習》(TF2.0版)這個真香
簡單粗暴 TensorFlow 2這個單元化清晰
TensorFlow2.0教程-Keras 快速入門
下面是文章
利用LSTM預測股票第二天最高價（tensorflow）（0/1）
tushare+ l s t m
基於馬爾科夫鏈的自動文字生成器
https://github.com/pub12/MarkovText
用馬爾科夫鏈生成文字有兩個階段。 首先是“詞典構建階段”，其中包括收集歷史文字，然後生成一個詞典，其中，鍵為給定句子中的詞，值為該詞之後緊鄰的那個詞。
在這裡，您可以看到原始句子被分解成單詞，並將隨後的單詞與計數器一起包括在內以指示出現的次數。 請注意，句號也包括在內。
第二個是執行，你從一個給定的單詞開始，然後用這個單詞以概率的方式看下一個單詞是什麼。
淺談歸一化對於LSTM進行時間序列預測的影響（附歸一化程式碼）
實用的思想：對於訓練資料進行歸一化之後。使用訓練資料的最大最小值（訓練資料的範圍）對於測試資料進行歸一化
歸一化之後需要進行返歸一化 LSTM進行預測的時候會保留趨勢（週期）資訊以及訓練資料的高低（範圍）資訊。 進行LSTM預測的時候，我們可以通過對於歸一化的選擇來進行是否進行高低資訊的使用。簡單粗暴LSTM：LSTM進行時間序列預測
預測就是 對於過去資料的處理 比如我有200條資料 我會 0-70 去預測 70-100 1-71 預測 71-101----------- 100 - 170 去預測 170 -200 。使用這樣的train_X ,train_Y 去訓練神經網路 。
預測訓練集少一組train_x 和 train_y 但優點就是不會報錯
長短期記憶（LSTM）系列_LSTM的資料準備（4）——如何歸一化標準化長短期記憶網路的資料
什麼時候用歸一化，什麼時候用標準化？
（1）如果對輸出結果範圍有要求，用歸一化。
（2）如果資料較為穩定，不存在極端的最大最小值，用歸一化。
（3）如果資料存在異常值和較多噪音，用標準化，可以間接通過中心化避免異常值和極端值的影響。
文中還介紹了二者使用的場景和具體的步驟
基於Keras的LSTM多變數時間序列預測（北京PM2.5資料集pollution.csv）小實踐（0/1）
LSTM的輸入格式，即[samples,timesteps,features]。
更多細節復現後補充
keras系列︱Sequential與Model模型、keras基本結構功能
Sequential模型就是將層按照邏輯順序一行行寫下來
Model模型在寫法上略有不同，主要是每一層的輸入都是上一層的輸出
這裡面對於所有的層的引數講解十分到位的
Keras實戰：基於LSTM的股價預測方法（0/1）
交代了包括資料的處理、模型搭建、模型調參、模型評估等重要環節，十分適合新手入門。
模型優化： 定義除錯的函式、調節超引數、優化dropoout值、優化神經元個數、優化decay值
decay控制著學習速率
基於LTSM的多變數(Features)多輸入\多時間跨度(Timesteps)的股票預測模型構建（Keras, Tensorflow, python）（0/1）
笨辦法，既先預測v(t)，之後再用v(t)預測v(t+1)，愚公移山，慢慢挖。。。
不一樣的模型就是用v(t-n)來預測v(t+m)時刻感興趣的特徵值。
tensorflow2.0 中lstm的實現（0/1）
十分基礎的流程實現，但是版本是tensorflow2.0
input_dim = 28 # 必須和特徵的列數目相等
風雨兼程，前程可待！