我创建了一个预测模型，并在其中使用了由tensorflow库在Python中提供的RNN。这是我创建并尝试的完整代码：
但是我有疑问。
1）RNN是否对我要预测的内容正确？
2）是否可以尝试更好的算法？
3）谁能建议我如何使用张量流模型给出多个输入并获得必要的输出？谁能指导我。
我希望我的观点很清楚。请告诉我是否还有其他要求。
答案 0 :(得分：1)
有疑问是正常的，但是您应该在寻求建议之前尝试对它们进行衡量。如果您没有明确的要改进的地方，那么您不太可能会得到更好的改善。
1）RNN是否对我要预测的预测正确？
是的。在这里适当使用RNN。如果您不太在乎具有任意长度的输入序列，还可以尝试将它们强制为固定大小，然后在顶部应用卷积（请参阅卷积神经网络），甚至尝试使用更简单的DNN。
问自己一个更重要的问题是，您是否有正确的输入，以及是否有足够的培训数据来学习希望学习的东西。
2）我可以尝试更好的算法吗？
可能没有。如我所说，RNN似乎适合解决此问题。请尝试进行一些超参数调整，以确保您不会偶然选择不理想的配置。
3）谁能建议我如何使用张量流模型给出多个输入并获得必要的输出？谁能指导我。
处理可变长度输入的常用方法是设置最大长度，并填充较短的示例，直到它们达到该长度。最大长度可以是您选择的变量，也可以动态将其设置为批次中的最大长度。仅因为内部操作是分批完成的，才需要这样做。您可以选择所需的结果。选择最后一个是合理的（模型将仅需学习传播填充值的状态）。另一个合理的做法是，将最后一个有意义的值输入到RNN后，选择第一个。
看看您的代码，我会改进一件事：
我将不计算最后一个值的损失，而是对系列中的所有值进行计算。这为您的模型提供了更多的训练数据，而性能几乎没有下降。