目前，在卷积神经网络领域中有许多可视化方面的研究，但是对于 LSTM 却没有足够的类似工具。LSTM （长短期记忆单元）网络的可视化能带来很有意思的结果，由于其包含时间相关性，我们除了可以在可视化图像的空间维度上探索数据之间的关联，还可以在时间维度上探索关联的稳健性。
对于长序列建模而言，长短期记忆（LSTM）网络是当前最先进的工具。然而，理解 LSTM 所学到的知识并研究它们犯某些特定错误的原因是有些困难的。在卷积神经网络领域中有许多这方面的文章和论文，但是对于 LSTM 我们却没有足够的工具可以对它们进行可视化和调试。
Piotr Tempczyk 在这篇文章中，试图部分填补这[……]
此前，跨象乘云™介绍了《LSTM 模型预测电子货币价格》教程，实际上，LSTM 模型能够从时间序列数据中捕捉最重要的特征并进行关联建模。股票价格预测模型，是关于对冲基金如何使用此类系统的典型案例，使用了 Python 编写的 PyTorch 框架进行训练，设计实验并绘制结果。
对冲基金是深度学习应用中具有吸引力的领域之一，也是投资基金的一种形式。不少金融组织从投资者那里筹集资金后对其进行管理，并通过分析时间序列数据来做出一些预测。在深度学习中，有一种适用于时间序列分析的架构是：递归神经网络（RNNs），更具体地说，是一种特殊类型的递归神经网络：长短期记忆网络（LSTM）。NEVEN PI[……]
把深度学习与区块链结合在一起的实验案例，看起来是一个不错的主意。David Sheehan 使用一个长短时记忆（LSTM）模型 —— 深度学习中一个非常适合分析时间序列数据的特定模型（或者任何时间/空间/结构序列数据，例如电影、语句等）；做了一个预测加密电子货币的价格趋势的实验案例。除了此前的比特币价格预测以外，该实验案例还包含了对以太坊协议货币的趋势预测。
如果你真的想了解其中的基础理论，那么我推荐你阅读这三篇文章：《理解 LSTM 网络》、《探究 LSTM》、原始白皮书。为了尽量吸引更多的非专业机器学习爱好者，实验中大幅度减少代码的篇幅。如果你想自己使用这些数据或者建立自己的模型，本[……]
