If you want the English edition, please go here.
在UPC-FIB交流期间选了Deep Learning这门课，课上有关于RNN的内容与实验。正好自己之前也没接触过RNN，正好将课上的一些RNN实验整理一下。RNN部分的授课老师是Javier Bejar先生，此仓库已得到Bejar的授权，实验源码也出自Bejar之手，自己编写了ipynb文件用以熟悉实验的具体步骤（特别是数据集部分）。
- 英文实验说明： guided laboratory of the RNN topic （懒得翻译...所以强烈建议看看原版实验说明）
- 如何使用此repository？ 刷一遍RNN（Basic RNN，LSTM，GRU等）的理论，就可以使用来做这里面的实验了。
- 毕设闲暇之余弄的这个repo，很多地方只写了个大概，肯定有些疏漏。如果觉得哪里写得不够清楚，或者有问题，请告诉我leishiye@gmail.com。
- python3 with Keras
- jupyter notebook
repo中一共有5个基本的RNN实验（数据集已经包括在内，无需单独下载），涵盖了以下几个基本方面：
- Time series prediction as regression
- series prediction as classification
- Sentiment analysis
- Text generation as character level prediction
- Sequence to sequence prediction
建议先运行Knowing_dataset.ipynb文件了解数据集结构。然后运行.py文件开始训练。
- LSTM中lag代表什么？ lag代表输入的数量。例如用前6天的天气预测当天的天气，那么lag=6（前6天的天气），ahead=1（当天的天气）。若预测今明两天的天气，则ahead=2。
- Keras中LSTM的输入尺寸：(batch_size, timesteps, input_dim)
- 强烈建议！！！ 动手推一遍LSTM的参数数量对于理解网络结构十分有好处Keras关于LSTM的units参数，还是不理解? - Scofield的回答 - 知乎.
- 如何查看自己搭建的RNN网络结构：model.summary() 会自动打印出来。
- 具体实验说明的翻译