1：lstm预测多输入多输出

　　百度“6 种用 LSTM 做时间序列预测的模型结构” 有方案
不过也要看是什么框架，每种框架写法未必一样

　　2：gpu加速计算lstm模型效果好吗

　　语言模型主要分为规则模型和统计模型两种。统计语言模型是用概率统计的方法来揭示语言单位内在的统计规律，其中N-Gram简单有效，被广泛使用。N-Gram：该模型基于这样一种假设，第n个词的出现只与前面N-1个词相关，而与其它任何词都不相关，整句的概率就是各个词出现概率的乘积。这些概率可以通过直接从语料中统计N个词同时出现的次数得到。常用的是二元的Bi-Gram和三元的Tri-Gram。语言模型的性能通常用交叉熵和复杂度（Perplexity）来衡量。交叉熵的意义是用该模型对文本识别的难度，或者从压缩的角度来看，每个词平均要用几个位来编码。复杂度的意义是用该模型表示这一文本平均的分支数，其倒数可视为每个词的平均概率。平滑是指对没观察到的N元组合赋予一个概率值，以保证词序列总能通过语言模型得到一个概率值。通常使用的平滑技术有图灵估计、删除插值平滑、Katz平滑和Kneser-Ney平滑。

　　3：如何理解LSTM模型的bptt

　　觉得LSTM bptt的过程跟rnn是一样的，实际上之所以用到bptt是因为需要对参数W（对应上一步隐含层的权重矩阵）进行求导． 该过程是这样的，一个句子对应一个训练样本，先用前向传播计算出句子中各词(对应各时刻)的隐含层和输出层向量，并分别保存在数组中．参数更新是一个梯度下降的过程跟BP完全一样，对该句子从最后一个词到第一个词对应的损失函数求各参数的梯度后更新参数．正是这个过程用了bptt

　　4：如何用 Keras 调试LSTM超参数解决时间序列预测问题

　　就一个abcd作为一条样本即可，a b c d 的每一步都会计算loss的，所以拆开也没啥用 另外你这个不是序列标注，因为你是要预测下一个，而不是给整体一个最佳序列

　　5：如何用 Keras 调试LSTM超参数解决时间序列预测问题

　　就一个abcd作为一条样本即可，a b c d 的每一步都会计算loss的，所以拆开也没啥用 另外你这个不是序列标注，因为你是要预测下一个，而不是给整体一个最佳序列

　　6：LSTM timestep设为1是不是就和普通BP神经网络做时间序列预测没有区别

　　可以先根据经验设置一个目标维度 降维后 计算降维后的相关系数矩阵 并绘制heatmap 将相关系数在指定阈值以上的特征丢掉 再次降维 反复进行
也可以降到目标维度后 向三维或者二维做投影 借助人类视觉 选择合适的