基于 Tensorflow LSTM 的 RNN - 不正确和恒定的预测答案

【问题标题】：Tensorflow LSTM based RNN - Incorrect and Constant Prediction基于 Tensorflow LSTM 的 RNN - 不正确和恒定的预测
【发布时间】：2020-09-02 08:25:22
【问题描述】：

我希望有人能指出我的 RNN 哪里出了问题。我的问题的长短在于，无论我的网络结构如何，预测总是沿着这样的路线：

我尝试了 1、2、3 和 4 层 LSTM，每层都有不同的神经元数量和 relu 或 tanh 激活函数。对于上图，网络设置为：

model = Sequential()
model.add(LSTM(128, activation='relu', return_sequences=True, input_shape=(length, scaled_train_data.shape[1]))) 
model.add(LSTM(256, activation='relu', return_sequences=True))
model.add(LSTM(256, activation='relu', return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(128, activation='relu'))
model.add(Dense(scaled_train_data.shape[1]))
model.compile(optimizer='adam', loss="mse")

模型的实际训练通过了，没有事件：

我的数据是财务数据。大约有 70k 行，我有大约 70k 行。 70/30 训练/测试拆分。

我哪里错了？谢谢！

【问题讨论】：

标签： python tensorflow lstm recurrent-neural-network

【解决方案1】：

因此，通过询问和阅读，似乎 RNN 可能不是金融/随机游走数据的最佳解决方案 - 至少对于我使用的设置而言。我想知道使用平均值是否会产生更好的结果？

不管怎样，继续学习强化学习。

【讨论】：