我正在尝试编写一个使用时间序列（UNIX Epoch时间）和一个值生成预测的脚本。为了美观，我为脚本的每一部分创建了不同的方法。这里有一个例子：
def train_model(X_data, y_data): # 创建占位符X和y # 创建优化器和初始化变量 with tf.Session() as sess: init.run() for epoch in range(200): for (xh, yh) in zip(X_data, y_data): sess.run(optimizer, feed_dict={X: xh, y: yh}) # 可以将训练好的模型作为变量返回吗？def make_pred(model, date): # 使用之前的模型生成预测？ with tf.Session() as sess: return sess.run(model, feed_dict={X: date})如何在不保存到检查点文件的情况下使用generate_model函数中创建的模型？
附加问题：
- 当学习率为0.001时，模型无法生成预测，我必须使用接近1e-20的值才能在日志中看到非NaN的值。这是否是因为我没有对时间序列数组进行缩放？缩放它们的最佳方法是什么？
- 由于我没有很多训练数据，我应该使用整个数据集来训练吗？当我只有不到100个值时，交叉验证集如何工作？我更关心预测结果而不是可视化结果。
我对这方面还比较新，如果你看到任何用词不当的地方，请随时纠正我。
提前感谢你。
回答：
问题
如何在不保存到检查点文件的情况下使用generate_model函数中创建的模型？
回答
将你的函数改成类，并在类中保持会话活跃，如下所示：
class MyModel: def __init__(self): self.sess = tf.Session() init.run() def train_model(self, X_data, y_data): # 创建占位符X和y for epoch in range(200): for (xh, yh) in zip(X_data, y_data): sess.run(optimizer, feed_dict={X: xh, y: yh}) def make_pred(self, date): # 使用之前的模型生成预测 yp return sess.run(yp, feed_dict={X: date})使用model = MyModel()创建类的实例，然后像这样训练它model.train_model(X_data,y_data)，并像这样使用它model.make_pred(date)。
附加问题1
当学习率为0.001时，模型无法生成预测，我必须使用接近1e-20的值才能在日志中看到非NaN的值。这是否是因为我没有对时间序列数组进行缩放？缩放它们的最佳方法是什么？
附加回答1
选择合适的学习率是调整超参数的一个重要方面，使用过高的学习率得到NaN（或其他不适当的值）并不少见。
如果你能将时间序列标准化，那肯定会有所帮助。尝试将你的序列缩放到0.0到1.0或-1.0到1.0之间，看哪个最合适。
缩放它们的最佳方法取决于数据。如果你的时间序列是外部温度（例如）且在-20°C到+20°C之间，那么或许只需用T/20（除以20）来标准化就很好。如果你的时间序列是星际气体温度，范围在-270°C到50,000°C之间，那么或许使用log(T)来获取温度的量级会更好。
附加问题2
由于我没有很多训练数据，我应该使用整个数据集来训练吗？当我只有不到100个值时，交叉验证集如何工作？
附加回答2
假设你有100个训练数据点。你可以创建一个使用前20个数据点进行测试，其余用于训练的预测器。然后，你可以创建另一个使用第二个20个数据点进行测试，其余80个用于训练的预测器，依此类推，这样你就有5个分别训练和测试的预测器。这将是5折交叉测试。你知道每个预测器的测试结果，并且你有5个预测器（如果你使用N折，则有N个）。
当你使用这些预测器时，你会将新数据通过每个预测器并得到5个估计值。现在，这些估计值就成了你从你的迷你专家集合中得到的可能答案范围。你可以报告答案的平均值、均方根、最高值和最低值。这些都是很好的信息。
