CNTK 时间序列异常检测教程或文档（RNN/LTSM）？
CNTK time series anomaly detection tutorial or documentation (RNN/LTSM)?
问题
您是否有使用深度学习和 CNTK 进行 LTSM 或 RNN 时间序列异常检测的教程？如果没有，您能否在这里制定一个或建议一系列简单的步骤供我们遵循？
我是一名软件开发人员，也是调查使用深度学习对时间序列数据进行异常检测的团队成员。我们没有在您的 python docs 上找到任何可以帮助我们的信息。似乎大多数教程都是针对视觉识别问题的，而不是针对我们感兴趣的问题领域。
在异常检测中使用 LTSM 和 RNN
我找到了以下
我在 CNTK 上四处寻找，但没有发现任何类似的问题，所以我希望这个问题对以后的其他开发人员有所帮助。
附加说明和问题
我的问题是，我发现 CNTK 使用起来并不像我希望的那么简单，也没有我希望的那么完整。坦率地说，我们的框架和堆栈非常依赖 .NET 和 Microsoft 技术。所以我再次重复这个问题以强调一些跟进：
- 您是否有任何资源可以推荐给学习神经网络、深度学习等的开发人员，以帮助我们了解 CNTK 的幕后情况？
- Build 2017 提到 C# 受 CNTK 支持。您能否为我们指明文档和支持的方向？
- 最重要的是，您能否帮助我们摆脱尝试使用 CNTK 对时间序列进行时间序列异常分析的困境？
非常感谢您花时间阅读和提出这个问题并提供帮助
感谢您的反馈。您的建议有助于改进工具包。
第一颗子弹
我建议您可以从 CNTK 教程开始。
它们是从 CNTK 101 到 301 设计的。建议您完成它们。他们中的许多人即使使用图像数据，概念和模型也适用于用数值数据构建解决方案。 101-103 系列非常适合理解训练-测试-预测工作流程的基础知识。
第二个项目符号：
训练模型后（推荐使用 Python）。可以使用不同的语言绑定执行模型评估，C# 是其中之一。
https://github.com/Microsoft/CNTK/wiki/CNTK-Evaluation-Overview
第三颗子弹
您引用的论文中提出了不同的方法。所有这些都可以在 CNTK 中完成，只需对教程中的代码进行一些更改。
您的关键教程是 CNTK 106、CNTK 105 和 CNTK 202
Anomaly as classification：这将涉及您将目标值标记为 N 个 class 中的 1 个，class 之一是 "anomaly"。然后你可以将 106 与 202 结合起来，class验证预测
Anomaly 作为自编码器：你可能需要学习 105 自编码器。现在，您可以应用循环网络的概念，而不是密集网络。仅在正常数据上训练。训练完成后，将任何数据传递给训练有素的模型。对于正常数据，输入版本和自动编码版本之间的差异很小，但对于异常数据，差异会大得多。 105 教程使用图像，但您可以使用任何数值数据训练这些模型。
希望这些建议对您有所帮助。
问题
您是否有使用深度学习和 CNTK 进行 LTSM 或 RNN 时间序列异常检测的教程？如果没有，您能否在这里制定一个或建议一系列简单的步骤供我们遵循？
我是一名软件开发人员，也是调查使用深度学习对时间序列数据进行异常检测的团队成员。我们没有在您的 python docs 上找到任何可以帮助我们的信息。似乎大多数教程都是针对视觉识别问题的，而不是针对我们感兴趣的问题领域。
在异常检测中使用 LTSM 和 RNN
我找到了以下
我在 CNTK 上四处寻找，但没有发现任何类似的问题，所以我希望这个问题对以后的其他开发人员有所帮助。
附加说明和问题
我的问题是，我发现 CNTK 使用起来并不像我希望的那么简单，也没有我希望的那么完整。坦率地说，我们的框架和堆栈非常依赖 .NET 和 Microsoft 技术。所以我再次重复这个问题以强调一些跟进：
- 您是否有任何资源可以推荐给学习神经网络、深度学习等的开发人员，以帮助我们了解 CNTK 的幕后情况？
- Build 2017 提到 C# 受 CNTK 支持。您能否为我们指明文档和支持的方向？
- 最重要的是，您能否帮助我们摆脱尝试使用 CNTK 对时间序列进行时间序列异常分析的困境？
非常感谢您花时间阅读和提出这个问题并提供帮助
感谢您的反馈。您的建议有助于改进工具包。
第一颗子弹
我建议您可以从 CNTK 教程开始。
它们是从 CNTK 101 到 301 设计的。建议您完成它们。他们中的许多人即使使用图像数据，概念和模型也适用于用数值数据构建解决方案。 101-103 系列非常适合理解训练-测试-预测工作流程的基础知识。
第二个项目符号：
训练模型后（推荐使用 Python）。可以使用不同的语言绑定执行模型评估，C# 是其中之一。
https://github.com/Microsoft/CNTK/wiki/CNTK-Evaluation-Overview
第三颗子弹
您引用的论文中提出了不同的方法。所有这些都可以在 CNTK 中完成，只需对教程中的代码进行一些更改。
您的关键教程是 CNTK 106、CNTK 105 和 CNTK 202
Anomaly as classification：这将涉及您将目标值标记为 N 个 class 中的 1 个，class 之一是 "anomaly"。然后你可以将 106 与 202 结合起来，class验证预测
Anomaly 作为自编码器：你可能需要学习 105 自编码器。现在，您可以应用循环网络的概念，而不是密集网络。仅在正常数据上训练。训练完成后，将任何数据传递给训练有素的模型。对于正常数据，输入版本和自动编码版本之间的差异很小，但对于异常数据，差异会大得多。 105 教程使用图像，但您可以使用任何数值数据训练这些模型。
希望这些建议对您有所帮助。