Machine learning Tensorflow.js/Keras LTSM是否具有多个序列？

我正在尝试使用构建在Keras上的Layers API，使用Tensorflow.js来训练lstm模型。我很难得到正确的预测。我试图为模型提供一系列NBA球员每个赛季的职业生涯成绩（例如：[20,30,40,55,60,55,33,23]）。我想用下个赛季的生产分数作为y来为它提供一系列球员

var data = tf.tensor([
  [[100], [86], [105], [122], [118], [96], [107], [118], [100], [85]],
  [[30], [53], [74], [85], [96], [87], [98], [99], [110], [101]],
  [[30], [53], [74], [85], [96], [87], [98], [99], [110], [101]],
  [[30], [53], [74], [85], [96], [87], [98], [99], [110], [101]],
  [[30], [53], [74], [85], [96], [87], [98], [99], [110], [101]],
  [[30], [53], [74], [85], [96], [87], [98], [99], [110], [101]],
  [[30], [53], [74], [85], [96], [87], [98], [99], [110], [101]],
  [[30], [53], [74], [85], [96], [87], [98], [99], [110], [101]]
]);

var y = tf.tensor([[100], [90], [90], [90], [90], [90], [90], [90]]);

const model = tf.sequential();
model.add(
  tf.layers.lstm({
    units: 1,
    inputShape: [10, 1]
  })
);

model.compile({ loss: "meanSquaredError", optimizer: "adam" });

model.fit(data, y, { epochs: 1000 }).then(() => {
  // Use the model to do inference on a data point the model hasnt 
  // seen before:
  model
    .predict(
      tf.tensor([
        [[30], [53], [74], [85], [96], [87], [98], [99], [110], [101]]
      ])
    )
    .print();
});

它预测的是这样的情况：[[0]，]

当我期待这样的事情时：[[90]]

迈克。 您应该规范化（转换）每个输入数据。 神经网络可以理解被标准化为其激活函数范围的数字。 例如，我将使用“sigmoid”：

函数normalize（num，min，max）//将值转换为值0到1之间的范围；
{
返回值（num-min）*（1/（max-min））；
}
函数反规范化（num，min，max）//将值从0到1之间的范围重新转换为最小到最大的范围；
{
返回值（num/（1/（max-min））+min；
}
常数MIN=0；
常数MAX=150//如果需要，你可以用更大的。
风险值数据=[
[100, 86, 105, 122, 118, 96, 107, 118, 100, 85],
[30, 53, 74, 85, 96, 87, 98, 99, 110, 101],
[30, 53, 74, 85, 96, 87, 98, 99, 110, 101],
[30, 53, 74, 85, 96, 87, 98, 99, 110, 101],
[30, 53, 74, 85, 96, 87, 98, 99, 110, 101],
[30, 53, 74, 85, 96, 87, 98, 99, 110, 101],
[30, 53, 74, 85, 96, 87, 98, 99, 110, 101],
[30, 53, 74, 85, 96, 87, 98, 99, 110, 101]
];
变量y=[100,90,90,90,90,90,90,90,90]；
var trainingData=[]；
for（设x=0；x=平均光泽）
打破
}
如果（cb的类型==‘函数’）
cb（）；
}
异步功能激活（输入）
{
var output=await model.predict（input.dataSync（）；
返回输出；
}
console.log（'5秒后开始训练…'）；
setTimeout（函数（）
{
console.log（“培训已开始”）；
控制台。时间（“培训”）；
列车（500，0.00000001，异步功能（）
{
控制台。时间结束（“培训”）；
console.log（“培训完成”）；
log（'您的培训数据测试：'）；
对于（设i=0；i

Tensorflow.js/Keras LTSM是否具有多个序列？
打开控制台查看培训过程。
嗨，迈克，你能正常运行吗？我正在尝试做类似的事情。我用你的代码做了一些尝试，得到了不同的结果。已尝试使用模型拟合上的等待添加到异步函数。它有时起作用。我得到一个张量[[0.7587256]，]的响应。这听起来很可笑。。。。但在培训期间，当我将焦点从浏览器切换到代码编辑器时，它似乎起到了作用。下面是对结果的捕获>