尽我所能，我还没有找到这个问题的答案。
我只想使用Python 3.6和TensorFlow训练LSTM网络，使用多个.csv文件/数据集，例如使用多家公司的历史股票数据。
这样做的原因是我想使模型适合各种价格范围，而不是在每个数据集中训练单个模型。我将如何去做？
我不能仅将一个数据集追加到另一个创建1个大数据集的原因，因为在火车/测试拆分期间，价格可能会从2美元跃升至200美元，具体取决于库存数据和数据集的拼接位置。
做这样的事情的最佳实践是什么？
只需为每个.csv文件创建一个循环，然后调用.fit函数以在一定数量的时间段内依次对每个文件进行训练（不断更新其权重），并在最佳情况下使用尽早停止发现损失？ （我现在知道该怎么做。）
是否有一种创建生成器的方法，该生成器可以以某种方式从每个.csv生成不同的x_train和y_train元组，将模型与每个元组拟合，然后在从每个元组中采样一个元组后，有一个训练检查点.csv文件？我的想法是，在完成一个时代之前，该模型应该有机会从每个数据集中抽取一个样本。
示例：假设我想使用20个周期的回溯/窗口大小来预测提前t + 1，并且我有5个.csv文件可供训练。生成器将（理想地）将所有数据集加载到内存中，然后从第一个.csv文件中抽取20行的随机样本，将其拟合到模型，然后从第二个.csv文件中抽取另外20行，进行拟合，依此类推，然后对所有5个样本进行采样后，请检查点评估损失，然后继续进行下一个步骤，并再次进行。
这可能是过分的，但想做到彻底。如果选项1.可以完成同样的事情，那对我也很好，我只是还没有找到答案。
谢谢！
答案 0 :(得分：1)
将所有CSV合并到一个文件中，并提供足够的步骤，使其涵盖所有内容。如果进行预处理，则应在一个训练文件中创建序列，每个序列有一行，其中每个序列对于给定的CSV具有20个左右的上一个句点。这样，当将它们随机输入模型中时，每个序列对应于正确的库存