推荐的序列完成深度学习模型
我试图解决序列完成的问题。假设我们有基本真值序列（1,2,4,7,6,8,10,12,18,20）
我们模型的输入是一个不完整的序列。i、 e（1,2,4,10,12,18,20）。从这个不完整序列中，我们想要预测原始序列（地面真值序列）。哪些深度学习模型可以用来解决这个问题？
这是编码器-解码器LSTM体系结构的问题吗？
注：我们有数千个完整的序列来训练和测试模型。
感谢您的帮助。
共有2个答案
在你的序列完成任务中，你是试图预测序列中的下一个项目还是只学习缺失的值？用缺失的数据训练神经网络本身就是一个问题。如果您使用Keras和LSTM类型的NN来解决您的问题，您应该考虑屏蔽，您可以参考此stackoverflow线程了解更多详细信息：具有缺失值的多元LSTM关于预测缺失值，为什么不尝试自动编码器呢？
这不完全是序列到序列的问题，这是一个序列标签问题。我建议要么堆叠双向LSTM层，然后是分类器，要么堆叠转换器层，然后是分类器。
编码器-解码器体系结构需要大量的数据来正确训练，并且如果目标序列可以是任意长度，仅模糊地取决于源序列长度，则特别有用。它最终会学会用足够的量来完成这项工作，但是序列标记是一个更简单的问题。
使用序列标签，可以在输出上设置自定义掩码，因此模型将仅预测缺失的数字。编码器-解码器模型需要先学习复制大部分输入。
-
主要内容 课程列表 专项课程学习 辅助课程 论文专区 课程列表 课程 机构 参考书 Notes等其他资料 卷积神经网络视觉识别 Stanford 暂无 链接 神经网络 Tweet 暂无 链接 深度学习用于自然语言处理 Stanford 暂无 链接 自然语言处理 Speech and Language Processing 链接 专项课程学习 下述的课程都是公认的最好的在线学习资料，侧重点不同，但推
-
Google Cloud Platform 推出了一个 Learn TensorFlow and deep learning, without a Ph.D. 的教程，介绍了如何基于 Tensorflow 实现 CNN 和 RNN，链接在 这里。 Youtube Slide1 Slide2 Sample Code
-
推荐系统是针对消费者过度选择的直观防线。 鉴于网络上可用信息的爆炸性增长，用户经常受到无数产品，电影或餐馆的欢迎。 原文：Deep Learning based Recommender System: A Survey and New Perspectives (arxiv 1707.07435)
-
现在开始学深度学习。在这部分讲义中，我们要简单介绍神经网络，讨论一下向量化以及利用反向传播(backpropagation)来训练神经网络。 1 神经网络(Neural Networks) 我们将慢慢的从一个小问题开始一步一步的构建一个神经网络。回忆一下本课程最开始的时就见到的那个房价预测问题：给定房屋的面积，我们要预测其价格。 在之前的章节中，我们学到的方法是在数据图像中拟合一条直线。现在咱们不
-
深度学习的总体来讲分三层，输入层，隐藏层和输出层。如下图： 但是中间的隐藏层可以是多层，所以叫深度神经网络，中间的隐藏层可以有多种形式，就构成了各种不同的神经网络模型。这部分主要介绍各种常见的神经网络层。在熟悉这些常见的层后，一个神经网络其实就是各种不同层的组合。后边介绍主要基于keras的文档进行组织介绍。
-
Python 是一种通用的高级编程语言，广泛用于数据科学和生成深度学习算法。这个简短的教程介绍了 Python 及其库，如 Numpy，Scipy，Pandas，Matplotlib，像 Theano，TensorFlow，Keras 这样的框架。