训练数据调整为数组
x_train, y_train = np.array(x_train), np.array(y_train) # x_train形状为：(1240, 60, 1)x_test, y_test = np.array(x_test), np.array(y_test)# print(x_train.shape)x_train = np.reshape(x_train, (x_train.shape[0], 60, 1))x_test = np.reshape(x_test, (x_test.shape[0], 60, 1))
列表是不存在维度问题，数组是有维度的，np.array()把列表转化为数组
可以用x_train.shape来查看自己的数据形状，现在数据处理好了。
构建模型
model = tf.keras.Sequential([SimpleRNN(100, return_sequences=True), #布尔值。是返回输出序列中的最后一个输出，还是全部序列。Dropout(0.1),#防止过拟合SimpleRNN(100),Dropout(0.1),Dense(1)])
tf.keras.Sequential()序贯模型（Sequential):单输入单输出，一条路通到底，层与层之间只有相邻关系，没有跨层连接。这种模型编译速度快，操作也比较简单。
这里用了两次simpleRNN
激活模型
激活函数是神经网络中用于计算输入和偏差的加权和的函数，用于确定神经元是否可以释放。 它通常通过梯度下降法的某种梯度处理来操纵数据，然后产生神经网络的输出，该输出包含数据中的参数。 有时这些激活函数通常称为传递函数。
激活函数具有改善数据学习模式的能力，从而实现了特征检测过程的自动化，并证明它们在神经网络的隐藏层中的使用合理性，并且对于跨领域进行分类很有用。
激活函数可以是线性的，也可以是非线性的，具体取决于它所代表的功能，并用于控制我们的神经网络的输出，其范围从对象识别和分类到语音识别，分段等更多领域。
对于线性模型，在大多数情况下，通过隐式变换可以给出输入函数到输出的线性映射，如在每个标签的最终评分最终预测之前在隐藏层中执行的那样。
激活函数的需求包括将线性输入转换为非线性输出，这有助于更深层网络学习高阶多项式。 非线性激活函数的一个特殊属性是它们是可微的，否则它们在深度神经网络的反向传播期间将无法工作。 深度神经网络是具有多个隐藏层和一个输出层的神经网络。 了解多个隐藏层和输出层的构成是我们的目标。
输入层接受用于训练神经网络的数据，该数据有来自图像，视频，文本，语音，声音或数字数据的各种格式，而隐藏层则主要由卷积和池化层组成，其中卷积层从图像中以阵列状形式处理前一层数据中的模式和特征，而池化层将相似特征合并为一个。 输出层显示网络结果，这些结果通常由激活函数控制，尤其是分类或预测的相关的概率。
激活函数在网络结构中发挥的功能取决于其在网络中的位置，因此，将激活函数放置在隐藏层之后时，它将学习到的线性映射转换为非线性形式以便传播，而在输出层中则执行预测功能。
活动地址：CSDN21天学习挑战赛
