本文展示了如何使用 LSTM 模型进行字符级别的文本生成过程，整个过程如果要达到文本通顺的程度至少需要 20 个 epoch ，以及至少 1M 字符的语料库，而且由于 RNN 网络计算量巨大所以建议在 GPU 上运行此脚本。

最近学习量化交易，所以试着写一个回测脚本。本文使用的是苹果公司的历史股票数据，定义了一个简单的回测策略，先使用历史股票数据进行回测，然后再使用模型预测的股票数据进行回测。

Sequential。

one to one 模型one to one 模型指输入是一个 vector ，对应的，输出是一个 vector 结果的模型，如逻辑回归模型，如预测房价，输入房屋面积，就可以得到一个预测的房价。全连接神经网络和卷积神经网络也是这种类型的模型。比如在对图片进行分类的时候，输入一张图片，输出一个概率值。这种模型有一定的局限性：它会将输入当作一个整体固定的输入大小固定的输出大小如何对时序数据建模？由于

承上启下上一篇文章我们介绍了 RNN 相关的基础知识，现在我们介绍文本生成的基本原理，主要是为了能够灵活运用 RNN 的相关知识，真实的文本生成项目在实操方面比这个要复杂，但是基本的原理是不变的，这里就是抛砖引玉了。RNN 基础知识回顾链接：https://juejin.cn/post/6972340784720773151原理我们这里用到了 RNN 来进行文本生成，其他的可以对时序数据进行建模的

首先需要说明的是我自己将数据进行了处理，放到了 maps 目录之下，总共有 6582 张图像，每张图像会通过随机旋转得到两个不同的图像（这里只是为了实现简单的任务，只是对原图像进行了旋转，如果是比较复杂的任务，需要将图像经过反转、放缩、仿射、裁切等操作），并且这三个图像的名字是三个相连的数字，也就是说文件夹中每 3 个相连的图片是有关系的一组图片。索引为 9 的验证集数据和预测标签如下，可以看出这

承上启下承接上文介绍过的 SimpleRNN ，这里介绍它的改进升级版本 LSTM。RNN 和 LSTM 比较RNN 的记忆很短，容易产生梯度消失的长依赖问题，而 LSTM 可以解决这个问题，它有更长的记忆RNN 模型比较简单，只有一个参数矩阵，但是 LSTM 比较复杂，有四个参数矩阵LSTMLong Short Term Memory ，又叫 LSTM ，本质上 LSTM 是一种特殊 RNN 模

前提：win 系统安装植物大战僵尸，这里有一个百度云网盘是从网上找的，我用了，应该没有毒 https://pan.baidu.com/s/1uygTSdQk48EHItCyHms7Ow安装 HexEditor ，免费版 https://www.hhdsoftware.com/free-hex-editor修改存档1.游戏先创建一个名字，然后试玩一下，去 C:\ProgramData\PopCap

RestHighLevelClient 中的所有 API 都接受一个 RequestOptions ，您可以使用它们以不会改变 Elasticsearch 执行请求的方式自定义请求。 例如，在这里您可以指定 NodeSelector 来控制哪个节点接收请求。有关自定义选项的更多示例，请参见 low level client documentation 。详情见官网：https://www.elas