CNN——用于计算机视觉（CV）

RNN——用于自然语言处理（NLP）

理解：其中h0，h1...ht-1是中间结果，x0，x1...x代表时序输入。举例：如I am Chinese，I love China，则x0=‘I’，x1=‘am’...xt=‘China’，但单词不能直接输入网络，所以使用word2vec将单词转换成向量后，即可作为输入。

缺点：RNN会考虑之前的所有结果记录下来，记得太多就会产生错误或误差

LSTM：针对RNN的缺点，选择性的保留之前的信息

每个黄色方框表示一个神经网络层，由权值，偏置以及激活函数组成；每个粉色圆圈表示元素级别操作；箭头表示向量流向；相交的箭头表示向量的拼接；分叉的箭头表示向量的复制

LSTM的核心部分是上图，这一部分一般叫做单元状态（cell state）它自始至终存在于LSTM的整个链式系统中，其中（ C：控制参数，决定什么信息保留，什么信息遗忘）

门：让信息选择式通过的方法，由一个sigmoid函数和乘法操作构成。通过使用sigmoid输出0到1之间的数值，用于描述每个部分有多少量可以通过，0代表不允许任何量通过，1代表允许任意量通过。

 

 

 

word2Vec：将文本向量化（对顺序敏感，能体现相近意思）

使用-1到1描述一个属性（如一个人性格是内向还是外向），一般用50-300维度的向量

一个50维词向量（表示50个特征）

 使用热力图表示（颜色越深表示数值越大，-1.6到1.6之间）

例如我们通过这种方法得到三个词向量，其中man和boy的词向量有很多地方是相近的

如何训练一个词向量（一个词应该用什么向量表示）（前向传播去计算损失函数值，反向传播则通过损失函数值去更新权值参数）

随机赋值创建一个词库表1），然后输入一句话的前俩个词，根据输入的俩个词从词库表中找出这俩个词的向量，然后输入网络，最终得到一个分类结果，然后将结果与真实结果比对后得到损失值，然后反向传播更新网络权值和词库表 ，当训练到一定程度后即可得到所有词的词向量了

训练的数据从哪来？合乎语言逻辑的文本都可以

构建训练数据：通过一个滑动串口来选取

 不同的选取模型   

CBOW

Skipgram

 

给定一个点序列（图像和sinx函数相似），然后我们选择一个一个合适的滑动块模式（如50个数一组），然后输入到RNN中（如图） （备注：xi可以输入1维数，可以输入多维向量）

 

网络结构图：

（None，49，1）代表有49个输入节点（滑动块规模），每个输入为1维的数字

然后第一个LSTM，将1维数转换成50维的向量了

然后第二个LSTM，将50维转换成100维的向量了 ，并且只去了最终结果ht，前面的结果丢掉了（None，100）(dropout略)

然后全连接层将100维转为1维数，这个数就是最终的结果（输入x0,x1,x2,x3,...x49后预测得到的值）

 首先读csv文件（5000个数据），将数据集切分为测试集和训练集，然后构建模型（根据上图设计即可，再指定以下损失函数MSE，优化器ADMA），然后画结构图，

有4000-50个序列， 然后从csv中获取0到50的数据，然后取前49个数据作为训练集xi，最后一个最为预测值y，然后从1到51开始以此类推获取

最终得到：x=》（3950,49,1）y=》（3950,1）（当我们拿到陌生代码时应习惯打印shape，通过数据维度来理解代码）

然后用x和y去训练

EarlyStopping：监视损失函数值是否已经收敛，收敛则会停止训练

ModelCheckPoint：保存训练权值，方便接续前一次继续训练

 测试