dl4j lstm не удалось

Я пытаюсь скопировать упражнение примерно на полпути вниз по этой ссылке: https://d2l.ai/chapter_recurrent-neural-networks/sequence.html

В этом упражнении функция синуса используется для создания 1000 точек данных в диапазоне от -1 до 1, а рекуррентная сеть используется для аппроксимации функции.

Ниже приведен код, который я использовал. Я вернусь, чтобы подробнее изучить, почему это не работает, поскольку сейчас это не имеет для меня особого смысла, когда я легко смог использовать сеть прямой связи для аппроксимации этой функции.

      //get data
    ArrayList<DataSet> list = new ArrayList();
   
    DataSet dss = DataSetFetch.getDataSet(Constants.DataTypes.math, "sine", 20, 500, 0, 0);

    DataSet dsMain = dss.copy();

    if (!dss.isEmpty()){
        list.add(dss);
    }

   
    if (list.isEmpty()){

        return;
    }

    //format dataset
   list = DataSetFormatter.formatReccurnent(list, 0);

    //get network
    int history = 10;
    ArrayList<LayerDescription> ldlist = new ArrayList<>();
    LayerDescription l = new LayerDescription(1,history, Activation.RELU);
    ldlist.add(l);     
    LayerDescription ll = new LayerDescription(history, 1, Activation.IDENTITY, LossFunctions.LossFunction.MSE);
    ldlist.add(ll);

    ListenerDescription ld = new ListenerDescription(20, true, false);

    MultiLayerNetwork network = Reccurent.getLstm(ldlist, 123, WeightInit.XAVIER, new RmsProp(), ld);


    //train network
    final List<DataSet> lister = list.get(0).asList();
    DataSetIterator iter = new ListDataSetIterator<>(lister, 50);
    network.fit(iter, 50);
    network.rnnClearPreviousState();


    //test network
    ArrayList<DataSet> resList = new ArrayList<>();
    DataSet result = new DataSet();
    INDArray arr = Nd4j.zeros(lister.size()+1);     
    INDArray holder;

    if (list.size() > 1){
        //test on training data
        System.err.println("oops");

    }else{
        //test on original or scaled data
        for (int i = 0; i < lister.size(); i++) {

            holder = network.rnnTimeStep(lister.get(i).getFeatures());
            arr.putScalar(i,holder.getFloat(0));

        }
    }


    //add originaldata
    resList.add(dsMain);
    //result       
    result.setFeatures(dsMain.getFeatures());
  
    result.setLabels(arr);
    resList.add(result);

    //display
    DisplayData.plot2DScatterGraph(resList);

Можете ли вы объяснить код, который мне понадобится для 1 из 10 скрытых и 1 исходящих сетей lstm для аппроксимации синусоидальной функции?

Я не использую нормализацию, так как функция уже -1:1, и я использую ввод Y в качестве функции и следующий ввод Y в качестве метки для обучения сети.

Вы заметили, что я создаю класс, который позволяет упростить построение сетей, и я пытался внести множество изменений в проблему, но мне надоело гадать.

Вот несколько примеров моих результатов. Синий — данные, красный — результат