全文链接：http://tecdat.cn/?p=25133
2017 年年中，R 推出了 Keras 包 _，_这是一个在 Tensorflow 之上运行的综合库，具备 CPU 和 GPU 性能
本文将演示如何在 R 中应用 LSTM 实现工夫序列预测。
简略的介绍
工夫序列波及按工夫程序收集的数据。我用 xt∈R 示意单变量数据，其中 t∈T 是察看数据时的工夫索引。工夫 t 在 T=Z 的状况下能够是离散的，或者在 T=R 的状况下是间断的。为简化剖析，咱们将仅思考离散工夫序列。
长短期记忆 (LSTM) 网络是一种非凡的循环神经网络 (RNN)，可能学习长期依赖关系。在惯例的 RNN 中，小权重通过几个工夫步一遍又一遍地相乘，并且梯度逐步减小到零——这种状况称为梯度隐没问题。
LSTM 网络通常由通过层连贯的内存块（称为单元）组成。单元中的信息同时蕴含在单元状态 Ct 和暗藏状态 ht 中，并由称为门的机制通过 sigmoid 和 tanh 激活函数进行调节。
sigmoid 函数 / 层输入 0 到 1 之间的数字，其中 0 示意 没有通过，1 示意 _全副通过_。因而，LSTM 可能有条件地从单元状态中增加或删除信息。
一般来说，门将前一时间步 ht-1 和以后输出 xt 的暗藏状态作为输出，并将它们逐点乘以权重矩阵 W，并将偏差 b 增加到乘积中。
三个次要门：
- 忘记门：
- 这决定了哪些信息将从单元状态中删除。
- 输入是一个介于 0 和 1 之间的数字，0 示意 全副删除 ，1 示意 全副记住
- 更新门：
- 在这一步中，tahn 激活层创立一个潜在候选向量，如下所示：
- sigmoid 层创立一个更新过滤器，如下所示：
- 接下来，旧单元状态 Ct-1 更新如下：
- 输入门：
- 在这一步中，sigmoid 层过滤将要输入的单元状态。
- 而后将单元状态 Ct 通过 tanh 函数将值标准化到范畴 [-1, 1]。
- 最初，标准化后的单元格状态乘以过滤后的输入，失去暗藏状态 ht 并传递给下一个单元格：
加载必要的库和数据集
# 加载必要的包
library(keras)或者装置如下：
# 而后按如下形式装置 TensorFlow：install_keras()咱们将应用可用的长期利率数据，这是从 2007 年 1 月到 2018 年 3 月的月度数据。
前五个察看样本