利用LSTM循环神经网络对多维数据进行预测，先对数据进行归一化处理，划分为训练集、测试集，用4个参数预测一个参数值

# 代码功能: LS_TM循环网络，实现古诗生成---------------------------------------------- # Example # input: 仲月当南吕， # output: 仲月当南吕，殿荷陂染日。半阳对余重，古吟飘山终。 # 第1步: 古诗数据集处理： 去标题、消除生僻字、取序列 # 第2步: LS_TM 网络训练 # 第3步: 古诗生成，文本预测

文章在深度学习理论的基础上应用LSTM网络对电力负荷进行了预测，具有较高的应用价值。

tushare API提供了股票交易数据，直接利用API爬取近十年股票数据。对K线图、移动平均线和MADC可视化。用keras搭建LSTM神经网络模型，2010-2019年日收盘价做训练数据，对2020年收盘价进行预测。

用遗传算法优化对LSTM网络的层数及每层的神经元数进行优化，包括一个LSTM程序和一个GA程序，运行时只运行GA.py即可。

文章在深度学习理论的基础上应用LSTM网络对电力负荷进行了预测，具有较高的应用价值。

准确的电力负荷预测可以保证电力供应的稳定，降低用电成本，提高供电质量。在进行短期电力负荷预测时，考虑到时序数据的时间相关性，应用张量流深度学习框架构建了LSTM 神经网络模型，对电力负荷时序数据进行回归预测

针对群体情绪识别准确率的问题，结合卷积神经网络（CNN）与长短期记忆网络（LSTM），提出一种多流CNN-LSTM网络模型学习群体情绪的静态和动态特征。以视频序列的原始图像、视觉显著图形和叠加的光流图像分别作为三个通道的输入，利用CNN网络对空间特征和局部运动特征进行分析，得到的特征图直接输入LSTM网络，进行全局运动特征的学习。最后连接Softmax分类器，对三个通道的Softmax输出进行加权融合，得到分类结果。实验结果表明，模型可有效地识别四种典型的群体情绪，且识别率高于已有算法，准确度（ACC）和宏平均精度（MAP）分别最高可达82.6%、84.1%。

tensorflow下用LSTM网络进行时间序列预测，实时多变量预测以及对于未来数据的单变量预测。

基于KERAS实现的LSTM网络，有run.py, model.py , 数据处理模块和参数文件。用KERAS搭建的网络。很好理解。