我想使用LSTM构建时间序列预测模型，
在中间层应使用哪个激活功能？
线性激活功能对最终层还是输出层有用吗？
我正在对输入数据进行范围（0，1）归一化，并在预测后进行逆归一化。
这是我的模特：
[Total Still Due]在这里，我在中间层使用了“ relu”，在输出层使用了线性激活。 这种方法是正确的，还是在中间层，我也应该尝试使用tanh和Sigmoid。
答案 0 :(得分：0)
警告语：这是我的主观印象，大部分（但不完全）得到科学研究的支持。
我可以验证ReLU及其衍生物（PReLU，Leaky ReLU等）过去为我带来了最佳结果。
如果可以承受的话，可以通过尝试使用哪种实现来为您带来最佳结果。
答案 1 :(得分：0)
在遇到ur问题的情况下，由于大部分时间都可以使用ReLU，它会不断增加ur功能的非线性性
答案 2 :(得分：0)
对于深度学习模型，ReLU作为激活函数要好得多。这可以在[0,1]范围内规范化您的输入和输出，并增加非线性
答案 3 :(得分：-1)
事实证明，Re-Lu是激活功能的关键