LSTM 网络，用于具有初始化状态的每日天气预报

Question

对于两个天气值的预测，我有一个数据集，其中包含一年的数据，分辨率为十五分钟。因此，每天有96个时间点的数据，总共365*96个。

每当我在 LSTM 网络中输入一天的数据进行训练时，我还想给出输出状态h的真实测量数据。

# tensor for setting output state h
init_state = tf.reshape(init_state, [1, 2])
init_state = tf.nn.rnn_cell.LSTMStateTuple(tf.constant([[0, 0]], tf.float32), init_state)
# tensor placeholder for input data with 2 inputs
train_placeholder = tf.placeholder(tf.float32, [1, 96, 2])
# hidden size equals 2, because LSTM output and output state h have 2 values
cell = tf.contrib.rnn.LSTMCell(2)
rnn_outputs_ts, state = tf.nn.dynamic_rnn(cell, train_placeholder,
dtype=tf.float32, initial_state=init_state) 

培训每天循环进行：

# daily training of the weather data
for step in len(train_data):
sess.run(train_lstm, {train_placeholder: train_data[step].reshape(1, 96, 2),
init_state: init_data[step].reshape(1, 2) })

如果我按照所述在每次迭代中设置输出状态 h，则比默认情况下输出状态 h 始终设置为零时得到更好的结果。

由于输出状态h包含两个值，I 输入了实际测量值，因此 LSTM 单元的隐藏大小也限制为 2。 但是，在没有手动设置输出状态h的情况下，我注意到如果 LSTM 单元的隐藏大小大于 2 并且输出变平为 2，则可能会获得更好的结果。MultiRNNCell也是如此，由于输出状态h，我也不使用它。

一方面，我想要一个更大的 LSTM 网络，但另一方面，我还想用真实的测量数据设置输出状态h。

在我的案件中，你会怎么做？

Answer 1

我认为你需要另一层 - 网络通常有一个输入层，一个数字中间层和一个执行最终分类的输出层。在您的情况下，您可以在 LSTM 层之后添加一个带有 2 个神经元的 Dense() 层。

此外，LSTMCell 已被弃用 (https://www.tensorflow.org/api_docs/python/tf/nn/rnn_cell/LSTMCell)，并将在 tensorflow 2.0 中删除。我建议使用 Keras(张量流的包装器)来设置您的网络 - 它提供了许多方便的功能并帮助分析您的模型。查看此处以获取有关如何设置 LSTM 模型的说明：https://adventuresinmachinelearning.com/keras-lstm-tutorial/