Python lstm 当特征数过大时，门的输出(输入，忘记，输出)的维数与细胞状态的维数一致。门(输入、遗忘、输出)输出的维数与单元状态的维数一致，也就是说，三个门的输出分别控制受控向量(cellinput，cell(t1)，cell(t))中的元素。
时间序列模型时间序列预测分析是利用某一事件过去的特征来预测该事件未来的特征。这是一种相对复杂的预测建模问题。与回归分析模型不同，时间序列模型依赖于事件的顺序，将相同大小的值输入到模型中产生的结果在改变顺序后是不同的。举个栗子:根据某只股票近两年的每日股价数据猜测接下来一周的股价变化；根据近两年每周想在一家店消费的人数，预测下周来店人数等。RNN和LSTM模型时间序列模型最常用和最有力的工具是递归神经网络(recursive neural network，
用Python LSTM训练时，特征太多可能导致渐变爆炸。这时，有几种方法可以处理这个问题:1。渐变裁剪:渐变裁剪可以限制渐变的范围，避免渐变爆炸。该方法可以在每次训练迭代中修改优化器的“clipvalue”或“clipnorm”的参数，以控制梯度。2.权重约束:权重约束可以限制权重的范围，也可以阻止网络生成和学习相似特征。
3.数据 Normalization:特征间的差异过大也会导致LSTM网络训练梯度的爆炸。因此，在训练前有必要对数据进行规范化。可以使用归一化方法或缩放方法来归一化数据。4.减少特征的数量:在梯度爆炸的情况下，考虑减少特征的数量。可以使用PCA(主成分分析)等一些常用的特征选择方法，也可以单独使用特征包装 瓶颈法进一步提取特征。
3、 lstm网络输出的是向量还是 数据LSTM的三个门输出数字和向量。门(输入、遗忘、输出)输出的维数与单元状态的维数一致。也就是说，三个门的输出分别控制受控向量(cellinput，cell(t1)，cell(t))中的元素。LSTM的三个门输出数字和向量。门(输入、遗忘、输出)输出的维数与单元状态的维数一致。
比如细胞状态的维数是1，那么受控向量(cellinput，cell(t1)，cell(t))的维数也是1，所以三个门的输出都是01之间的数(使用sigmoid激活函数)；如果细胞状态的维数是n，那么受控向量(cellinput，cell(t1)，cell(t))的维数都是n，那么三个门的输出都是01之间的向量(选择sigmoid激活函数)，门输出向量的维数都是n..
4、cnn与 lstm应用于哪个领域让我尽可能用简单的语言解释一下我的观点(假设你已经大致知道什么是深度学习和神经网络:大型数据和高性能计算。在今天的互联网时代，神经网络有了前所未有的“更深入”的可能性，并且发明了许多新方法(DenoiseAutoencoder，图像识别等，几年后，人们发现。3、抛砖引玉，在这个框架下。
