循环神经网络
循环神经网络的神经网络体系结构，它针对的不是自然语言数据，而是处理连续的时间数据，如股票市场价格。在本文结束之时，你将能够对时间序列数据中的模式进行建模，以对未来的值进行预测。
1.上下文信息
回到学校，我的一个期中考试仅由真的或假的问题组成时。假设一半的答案是“真的”，而另一半则是“假的”。我想出了大部分问题的答案，剩下的是靠随机猜测。我做了一件聪明的事情，也许你也可以尝试一下这个策略。在计数了我的“真”的答案之后，我意识到它与“假”这个答案不成比例。于是我的大部分猜测是“假”的，这样就可以平衡分配。 这竟然是有效的。在那一时刻我感觉到我是狡猾的。这是什么样的判断力，使我们对自己的决定那么有信心，我们又如何将这种判断力给予神经网络？ 这个问题的一个答案是使用上下文来回答问题。语境提示是可以提高机器学习算法性能的重要信号。例如，假设你想检查一个英文句子，并标记每个单词的词性。 傻傻的方法是将每个单词单独分类为“名词”，“形容词”等，而不确认其相邻的单词。单词“努力”被用作动词，但根据上下文，你也可以使用它作为一个形容词，单纯的词性标注是一个需要努力的问题。 更好的方法是考虑上下文信息。为了向神经网络提供上下文信息，我们可以使用称为循环神经网络的体系结构。
2.循环神经网络（RNN）简介
为了理解循环神经网络（RNN），我们首先来看一下图1所示的简单架构。它将输入向量X（t）作为输入，并在某个时间（t）产生一个向量Y（t）的输出。中间的圆圈表示网络的隐藏层。
图1
分别具有标记为X（k）和Y（k）的输入和输出层的神经网络 通过足够的输入/输出示例，你可以在TensorFlow中了解网络的参数。例如，我们将输入权重称为矩阵W in，输出权重作为矩阵W out。假设有一个隐藏层，称为向量Z（t）。 如图2所示，神经网络的前半部分的特征在于函数Z（t）= X（t）* W in，神经网络的后半部分形式为Y（t）= Z（t）* W out。同样，如果你愿意，整个神经网络可以是函数Y（t）=（X（t）* Win）* W out。
图2
神经网络的隐藏层可以被认为是数据的隐藏，由其输入权重编码并输出权重解码。
在微调神经网络后，你可能希望在现实世界的场景中开始使用你所学习的模型。通常，这意味着你将多次调用该模型，甚至可能连续反复调用，如图3所示。
图3
通常，我们会运行相同的神经网络多次，而不考虑关于先前运行的隐藏状态。
在每个时间t，当调用学习模型时，这种体系结构不考虑关于以前运行的结果经验。就像预测股市走势一样，只看当前的数据。循环神经网络（RNN）与传统神经网络不同，因为它引入了转移权重W来跨越时间传递信息。图4显示了必须在RNN中学习的三个加权矩阵。
图4
循环神经网络架构可以利用网络的先前状态来实现其优点。 理论上很好理解，但是你在这里必须要亲自动手做一下。让我们来吧！接下来将介绍如何使用TensorFlow的内置RNN模型。我们将使用这个RNN在现实世界的时间数据来预测未来！
3.实施循环神经网络
当我们实施RNN时，我们将使用TensorFlow。如图4所示，你不需要手动构建网络，因为TensorFlow库中已经支持一些鲁棒（robust）的RNN模型。 参考有关RNN的TensorFlow库信息，请参见https://www.tensorflow.org/tutorials/recurrent。 RNN的一种类型模型被称为长短期记忆网络（LSTM）。我觉得这是一个有趣的名字。它听起来也意味着：短期模式长期不会被遗忘。 LSTM的精确实现细节不在本文的范围之内。相信我，如果只学习LSTM模型会分散我们的注意力，因为它还没有确定的标准。 进一步阅读：为了了解如何从头开始执行LSTM，我建议你阅读以下的文章：https://apaszke.github.io/lstm-explained.html 我们现在开始我们的教程。首先从编写我们的代码开始，先创建一个新的文件，叫做simple_regression.py。导入相关的库，如步骤1所示。
步骤1：导入相关库
import numpy as np
import tensorflow as tf
from tensorflow.contrib import rnn接着，定义一个类叫做SeriesPredictor。如步骤2所示，构造函数里面设置模型超参数，权重和成本函数。
步骤2：定义一个类及其构造函数
class SeriesPredictor:
def __init__(self, input_dim, seq_size, hidden_dim=10):
self.input_dim = input_dim //#A
self.seq_size = seq_size //#A
self.hidden_dim = hidden_dim //#A
self.W_out = tf.Variable(tf.random_normal([hidden_dim, 1]),name='W_out') //#B
self.b_out = tf.Variable(tf.random_normal([1]), name='b_out') //#B
self.x = tf.placeholder(tf.float32, [None, seq_size, input_dim]) //#B
self.y = tf.placeholder(tf.float32, [None, seq_size]) //#B
self.cost = tf.reduce_mean(tf.square(self.model() - self.y)) //#C
self.train_op = tf.train.AdamOptimizer().minimize(self.cost) //#C
self.saver = tf.train.Saver() //#D
#A超参数。
#B权重变量和输入占位符。
#C成本优化器（cost optimizer）。
#D辅助操作。接下来，我们使用TensorFlow的内置RNN模型，名为BasicLSTMCell。LSTM单元的隐藏维度是通过时间的隐藏状态的维度。我们可以使用该rnn.dynamic_rnn函数处理这个单元格数据，以检索输出结果。步骤3详细介绍了如何使用TensorFlow来实现使用LSTM的预测模型。
步骤3：定义RNN模型
def model(self):
"""
:param x: inputs of size [T, batch_size, input_size]
:param W: matrix of fully-connected output layer weights
:param b: vector of fully-connected output layer biases
"""
cell = rnn.BasicLSTMCell(self.hidden_dim) #A
outputs, states = tf.nn.dynamic_rnn(cell, self.x, dtype=tf.float32) #B
num_examples = tf.shape(self.x)[0]
W_repeated = tf.tile(tf.expand_dims(self.W_out, 0), [num_examples, 1, 1])#C
out = tf.matmul(outputs, W_repeated) + self.b_out
out = tf.squeeze(out)
return out
#A创建一个LSTM单元。
#B运行输入单元，获取输出和状态的张量。
#C将输出层计算为完全连接的线性函数。通过定义模型和成本函数，我们现在可以实现训练函数，该函数学习给定示例输入/输出对的LSTM权重。如步骤4所示，你打开会话并重复运行优化器。 另外，你可以使用交叉验证来确定训练模型的迭代次数。在这里我们假设固定数量的epocs。 训练后，将模型保存到文件中，以便稍后加载使用。
步骤4：在一个数据集上训练模型
def train(self, train_x, train_y):
with tf.Session() as sess:
tf.get_variable_scope().reuse_variables()
sess.run(tf.global_variables_initializer())
for i in range(1000): #A
mse = sess.run([self.train_op, self.cost], feed_dict={self.x: train_x, self.y: train_y})
if i % 100 == 0:
print(i, mse)
save_path = self.saver.save(sess, 'model.ckpt')
print('Model saved to {}'.format(save_path))
#A训练1000次我们的模型已经成功地学习了参数。接下来，我们想评估利用其他数据来评估以下预测模型的性能。步骤5加载已保存的模型，并通过馈送一些测试数据以此来运行模型。如果学习的模型在测试数据上表现不佳，那么我们可以尝试调整LSTM单元格的隐藏维数。
步骤5：测试学习的模型
def test(self, test_x):
with tf.Session() as sess:
tf.get_variable_scope().reuse_variables()
self.saver.restore(sess, './model.ckpt')
output = sess.run(self.model(), feed_dict={self.x: test_x})
print(output)但为了完善自己的工作，让我们组成一些数据，并尝试训练预测模型。在步骤6中，我们将创建输入序列，称为train_x，和相应的输出序列，称为train_y。
步骤6训练并测试一些虚拟数据
if __name__ == '__main__':
predictor = SeriesPredictor(input_dim=1, seq_size=4, hidden_dim=10)
train_x = [[[1], [2], [5], [6]],
[[5], [7], [7], [8]],
[[3], [4], [5], [7]]]
train_y = [[1, 3, 7, 11],
[5, 12, 14, 15],
[3, 7, 9, 12]]
predictor.train(train_x, train_y)
test_x = [[[1], [2], [3], [4]], #A
[[4], [5], [6], [7]]] #B
predictor.test(test_x)
#A预测结果应为1，3，5，7。
#B预测结果应为4，9，11，13。你可以将此预测模型视为黑盒子，并用现实世界的时间数据进行测试。