非常好的机器学习深度学习课件，(十三)RNN和LSTM.pptx

使用LSTM模型进行时序预测的代码与说明见：https://blog.csdn.net/Q_M_X_D_D_/article/details/109366895

孪生LSTM网络(Siamese-LSTM) 本项目是基于孪生LSTM网络+注意力机制+曼哈顿距离(Manhattan distance)实现的句对相似度计算。 中文训练数据为蚂蚁金服句对数据，约4万组，正负样本比例1:3.6；英文训练数据来自Kaggle上的Quora句对数据，约40万组，正负样本比例1:1.7。新增一组翻译数据：使用Google Translator将Quora数据翻译成中文。 资料 参考文献 中国大陆可能无法访问《How to predict...Manhattan LSTM》一文，请直接查看本项目中附件之参考博客 其它数据 英文词向量： 英文词向量： 中文词向量： 工程参考 Original author's GitHub 一些网络设计思路 使用 训练 $ python3 train.py $ type cn for Chinese Data or en for

可以保存加载模型、有评价指标和训练过程的损失正确率图像，预测值和真实值对比等、正确率很高 绝对不是垃圾代码！！！！

空气环境问题越发成为人们关注的焦点.除了工厂排放的各种废气，私家车的普及都导致了当前令人担忧的空气环境状况.国家相关部门也开始加大对空气环境的治理，提出了环境质量网格化监测的相关政策.在此背景下，市场涌现出很多微型监测仪器，但由于自身内部的传感器精准度不够，存在数据偏差的问题.为了解决这一问题，本文通过利用神经网络技术中的长短期记忆网络（Long Short-Term Memory，LSTM）模型结合半监督学习方法，达到提高监测数据的精准度的目的.通过与其它模型进行对比分析，该方法达到了一定的效果.

本设计将基于OpenCV，采用“关键点提取并归一化”与“分类器”相结合的方式，实现多人正常和异常姿态识别的设计。关键词 OpenCV 人体姿态估计 多分类 行为识别；主要功能是通过MoveNet对前期用于训练的视频内容进行人体骨骼关键点信息的提取，MoveNet将在每帧上将人体骨骼关键点的x和y坐标提取出来，通过一定的算法进行归一化，并保存数据。首先，通过OpenCV将视频读取，通过OpenCV进行简单的视频预处理，进行BGR转RGB的操作，然后加载MoveNet的关键点模型将人体骨骼关键点信息提取出来，对每帧的x和y的坐标进行归一化，将不同大小的骨骼标准化，按帧存入数据库中，这个过程将按WALK、STAND、FALL、FIGHT这四类动作分别进行提取与处理。主要功能对前期数据库内容进行数据分割，生成4个LSTM模型，对分割好的数据进行导入，并和导入对应标签进行迭代训练，最后生成Loss值最低的模型。主要功能对前期数据库内容进行数据分割，生成4个LSTM模型，对分割好的数据进行导入，并和导入对应标签进行迭代训练，最后生成Loss值最低的模型。

LSTM使用PyTorch搭建

GWO优化LSTM分类，这个代码分了两类。

此演示展示了信号数据示例的完整深度学习工作流程。 我们展示了如何准备、建模和部署基于深度学习 LSTM 的分类算法来识别机械空气压缩机的状况或输出。 我们展示了如何执行深度学习工作流程的以下部分的示例： 第 1 部分 - 数据准备第 2 部分 - 建模第 3 部分 - 部署 该演示是作为 MATLAB 项目实现的，需要您打开该项目才能运行它。 该项目将管理您需要的所有路径和快捷方式。 第一次运行项目时还需要一个重要的数据副本。 第 1 部分 - 数据准备本示例说明如何提取将用作LSTM深度学习网络输入的声学特征集。 跑步： 打开 MATLAB 项目 Aircompressorclassification.prj 打开并运行 Part01_DataPreparation.mlx 第 2 部分 - 建模此示例展示了如何训练 LSTM 网络对包括健康和不健康信号的多种操作模式进行分类

前30列为特征数据，最后列为标签数据，