有谁能提供一个使用（pybrain）Python的循环神经网络的实际示例，用于预测序列的下一个值吗？（我已经阅读了pybrain的文档，但我认为其中没有明确的示例。）我还找到了这个问题。但我无法理解它在更一般情况下的工作原理。因此，我在这里询问是否有人能提供一个使用pybrain和循环神经网络预测序列下一个值的清晰示例。
举个例子。
假设我们有一组在[1,7]范围内的数字序列。
第一次运行（即第一个示例）：1 2 4 6 2 3 4 5 1 3 5 6 7 1 4 7 1 2 3 5 6第二次运行（即第二个示例）：1 2 5 6 2 4 4 5 1 2 5 6 7 1 4 6 1 2 3 3 6第三次运行（即第三个示例）：1 3 5 7 2 4 6 7 1 3 5 6 7 1 4 6 1 2 2 3 7依此类推。现在假设有一个新序列的开始：1 3 5 7 2 4 6 7 1 3
下一个值是什么？
这个问题可能看起来有些懒惰，但我认为缺乏一个使用pybrain进行此操作的好例子。
此外：如果存在多个特征，该如何操作：
示例：
假设我们有几个序列（每个序列有2个特征），在[1,7]范围内。
第一次运行（即第一个示例）：特征1：1 2 4 6 2 3 4 5 1 3 5 6 7 1 4 7 1 2 3 5 6 特征2：1 3 5 7 2 4 6 7 1 3 5 6 7 1 4 6 1 2 2 3 7第二次运行（即第二个示例）：特征1：1 2 5 6 2 4 4 5 1 2 5 6 7 1 4 6 1 2 3 3 6 特征2：1 2 3 7 2 3 4 6 2 3 5 6 7 2 4 7 1 3 3 5 6第三次运行（即第三个示例）：特征1：1 3 5 7 2 4 6 7 1 3 5 6 7 1 4 6 1 2 2 3 7 特征2：1 2 4 6 2 3 4 5 1 3 5 6 7 1 4 7 1 2 3 5 6依此类推。现在假设有新序列的开始：
特征1：1 3 5 7 2 4 6 7 1 3 特征2：1 2 3 7 2 3 4 6 2 4下一个值是什么？
只要与这些示例相似，并且有深入的解释，您可以使用自己的示例。
回答：
Issam Laradji的方法对我预测序列的序列有效，除了我的pybrain版本需要为UnserpervisedDataSet对象使用元组：
from pybrain.tools.shortcuts import buildNetworkfrom pybrain.supervised.trainers import BackpropTrainerfrom pybrain.datasets import SupervisedDataSet,UnsupervisedDataSetfrom pybrain.structure import LinearLayerds = SupervisedDataSet(21, 21)ds.addSample(map(int,'1 2 4 6 2 3 4 5 1 3 5 6 7 1 4 7 1 2 3 5 6'.split()),map(int,'1 2 5 6 2 4 4 5 1 2 5 6 7 1 4 6 1 2 3 3 6'.split()))ds.addSample(map(int,'1 2 5 6 2 4 4 5 1 2 5 6 7 1 4 6 1 2 3 3 6'.split()),map(int,'1 3 5 7 2 4 6 7 1 3 5 6 7 1 4 6 1 2 2 3 7'.split()))net = buildNetwork(21, 20, 21, outclass=LinearLayer,bias=True, recurrent=True)trainer = BackpropTrainer(net, ds)trainer.trainEpochs(100)ts = UnsupervisedDataSet(21,)ts.addSample(map(int,'1 3 5 7 2 4 6 7 1 3 5 6 7 1 4 6 1 2 2 3 7'.split()))[ int(round(i)) for i in net.activateOnDataset(ts)[0]]结果是：
=> [1, 2, 5, 6, 2, 4, 5, 6, 1, 2, 5, 6, 7, 1, 4, 6, 1, 2, 2, 3, 6]
要预测较小的序列，只需按此方式训练它，可以是子序列或重叠序列（此处显示重叠）：
from pybrain.tools.shortcuts import buildNetworkfrom pybrain.supervised.trainers import BackpropTrainerfrom pybrain.datasets import SupervisedDataSet,UnsupervisedDataSetfrom pybrain.structure import LinearLayerds = SupervisedDataSet(10, 11)z = map(int,'1 2 4 6 2 3 4 5 1 3 5 6 7 1 4 7 1 2 3 5 6 1 2 5 6 2 4 4 5 1 2 5 6 7 1 4 6 1 2 3 3 6 1 3 5 7 2 4 6 7 1 3 5 6 7 1 4 6 1 2 2 3 7'.split())obsLen = 10predLen = 11for i in xrange(len(z)): if i+(obsLen-1)+predLen < len(z): ds.addSample([z[d] for d in range(i,i+obsLen)],[z[d] for d in range(i+1,i+1+predLen)])net = buildNetwork(10, 20, 11, outclass=LinearLayer,bias=True, recurrent=True)trainer = BackpropTrainer(net, ds)trainer.trainEpochs(100)ts = UnsupervisedDataSet(10,)ts.addSample(map(int,'1 3 5 7 2 4 6 7 1 3'.split()))[ int(round(i)) for i in net.activateOnDataset(ts)[0]]结果是：
=> [3, 5, 6, 2, 4, 5, 6, 1, 2, 5, 6]
不太好…
