您是否有使用CNTK深度学习的LTSM或RNN时间序列异常检测教程？如果没有，你可以在这里制作一个或建议一系列简单的步骤供我们遵循吗？
我是一名软件开发人员，也是一个团队成员，负责调查我们对异常检测的时间序列数据的深度学习。我们在您的python docs上找不到任何可以帮助我们的内容。似乎大多数教程都是针对视觉识别问题而不是针对我们感兴趣的问题领域。
我找到了以下
我在这里看看CNTK，但没有发现任何类似的问题，所以我希望这个问题能帮助其他开发者。
我的问题是，我发现CNTK不是那么简单易用，也不像我希望的那样记录完好。坦率地说，我们的框架和堆栈在.NET和Microsoft技术上非常重要。所以我再次重复这个问题，重点关注一些后续行动：
非常感谢您在阅读和提出这个问题时的时间和帮助
答案 0 :(得分：4)
感谢您的反馈。您的建议有助于改进工具包。
First Bullet
我建议你可以从CNTK教程开始。
它们是从CNTK 101到301设计的。建议您通过它们进行操作。他们中的许多人即使使用图像数据，概念和模型也可以用数字数据构建解决方案。 101-103系列非常适合理解列车测试预测工作流程的基础知识。
第二个子弹：
训练模型后（使用Python推荐）。模型评估可以使用不同的语言绑定来执行，C＃就是其中之一。
https://github.com/Microsoft/CNTK/wiki/CNTK-Evaluation-Overview
第三个子弹
您引用的论文中提出了不同的方法。所有这些都可以在CNTK中进行，并对教程中的代码进行一些更改。
您的主要教程是CNTK 106，CNTK 105和CNTK 202
异常作为分类：这将涉及您将目标值标记为N个类中的1个，其中一个类是“异常”。然后，您可以将106与202组合，以对预测进行分类
异常作为自动编码器：您可能需要学习105自动编码器。现在，您可以将概念应用于循环网络，而不是密集网络。仅训练正常数据。训练完成后，通过训练模型传递任何数据。对于普通数据，输入和自动编码版本之间的差异很小，但异常的差异会大得多。 105教程使用图像，但您可以使用任何数值数据训练这些模型。
希望您觉得这些建议很有帮助。