最近看了一篇论文，模型不复杂但是思想很有意思，参考价值非常大。仔细看下去，发现一些细节没有给的很详细（其实主要还是自己太菜，呜呜），思来想去还是有些疑惑。由于导师不是搞这个方向，身边也没有人研究RNN的，忽然间觉得“举目无亲”啊！于是乎，鼓起勇气向论文作者发了封求助邮件。没想到作者很快就很热心的回信了，还分享了github和微信。于是加了大佬的微信，才知道大佬竟然和我同辈人，甚至可能比我还小一些，这篇论文是大佬本科时发的，而研二的我还。。。。不得不感慨这个世界上有的人真的优秀，无论是学识还是为人，庆幸自己能认识这么优秀的一位前辈。大佬不但热心的回答了我很多“幼稚”的问题，还主动提出和我语音帮我讲讲他的整体思路，感激之情溢于言表啊！下面讲一讲收获吧。
1.模型分别学习每个用户的数据，学习完一个用户的数据后，模型保留参数，继续学习下一个用户的数据。这样，一直训练完所有的用户数据。
2.LSTM层的输入只有时序的血压数据，用户其他数据，以及上下文数据，放在最后一层输入，最后通过线性回归得到输出。
3.不同模型的不同维度预测效果对比，这里的模型维度，是指神经网络层的神经元个数。
4.如果想让模型提取不同用户之间互相影响的信息，这时候可以CNN最合适，RNN也可以试试。