我以前使用过传统的神经网络，但是对于tensorflow和LSTM都是新手，所以请耐心等待。
数据依次包含约1.5亿行。每行具有9个（规范化的）浮点特征和两个离散的特征（整数）。列的结构如下
f0, f1, f2, f3, f4, f5, f6, f7, f8, i0, i1
还有其他表的键，但与LSTM网络无关。
我想应该将整数特征发送到字典，但是现在，为了简单起见，我只在与第i个索引相对应的位置处各处零位置扩展了零行的数据行（应该具有效果一样吗？）
|-- i0'th -|- i1'th |
f0, f1, f2, f3, f4, f5, f6, f7, f8, 0, 0, 0, ... 1, 0, 0, 0, 0, .. , 1, 0, 0
所以现在每个输入行都有 n_input 个浮点值（但大多数为零）已知 i0 和 i1 可以取值的范围，因此 n_input 的大小是固定的（总共99个）。
对于其中的每一行，还有一组 n_predict （实际上是八个）值（介于零和一个之间的值）我们要预测
p0, p1, p2, p3, p4, p5, p6, p7
所有这些都驻留在sql数据库中，并且我使用pandas和pyodbc直接连接到它。它是按顺序排序的，因此我们可以基于该顺序快速地批量提取。我做了一个“提取下一批”功能，可以查询数据并返回np.arrays
我正在尝试将两个BasicLSTMCell设置为一个MultiLSTMCell，并且已经设置了提取批处理以返回以下数组
input_data, of shape: (n_batch, n_sequence, n_input)
predict_data, of shape: (n_batch, n_sequence, n_predict)
这是构造数据的正确方法吗？据我了解，RNN应该需要（ n_sequence ， n_input ）作为输入并使用每批并行训练？而且我还认为，数据中的底层连接越远， n_sequence 应该越大？
现在我已经将 n_batch 设置为128，将 n_sequence 设置为100（任意），但是我似乎无法运行tensorflow代码。在运行之前，我可能会四处弄弄，但我怀疑尝试使用网络时可能存在一些潜在问题。我看了几个示例，但它们通常只有一个输入，而解决方案是“预测下一个序列”类型或某种分类。这似乎与我们这里的不一样？有什么想法吗？