浅谈深度学习：了解RNN和构建并预测

浅谈深度学习：了解RNN和构建并预测

总包含文章：

• 一个完整的机器学习模型的流程
• 浅谈深度学习：了解RNN和构建并预测
• 浅谈深度学习：基于对LSTM项目LSTM Neural Network for Time Series Prediction的理解与回顾
• 浅谈深度学习：LSTM对股票的收益进行预测（Sequential 序贯模型，Keras实现）

目录：

• RNN简介

• 代码实现

• 其他尝试

代码仓库：rnn_test

RNN简介：

由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

    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

    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）