用于轨迹预测的 Transformer 网络 这是论文的代码 要求 pytorch 1.0+ 麻木 西比 熊猫 张量板 (项目中包含的是修改版) 用法 数据设置 数据集文件夹必须具有以下结构: - dataset - dataset_name - train_folder - test_folder - validation_folder (optional) - clusters.mat (For quantizedTF) 个人变压器 要训​​练,只需运行具有不同参数的train_individual.py 示例:训练 eth 的数据 CUDA_VISIBLE_DEVICES=0 python train_individualTF.py --dataset_name eth --name eth --max_epoch 240 --bat
1
使用带有LSTM的DRL进行库存预测 该项目专注于股票预测,我们的目标是使用带有DSTM的DRL来实现一个交易框架。
2022-02-21 17:12:33 87.05MB Python
1
包含网络 Deep Belief Network (DBN) Convolutional Neural Network (CNN) Recurrent Neural Network (RNN) Long Short Term Memory (LSTM) Stacked Autoencoder (sAE) Stacked Sparse Autoencoder (sSAE) Stacked Denoising Autoencoders (sDAE) 版本信息 Version 2018.5.10 New 新增了网络RNN与LSTM New 新增了保存模型的功能 Chg 更改了项目名称 Chg 更改了部分代码,提高运算效率 Chg 改写了网络的feed部分,现在所有网络共用训练与测试的函数 Fix 路径创建不成功的Bug Info sSAE和sDAE的Code实现可能不太
2022-02-21 14:41:39 11.08MB Python
1
tsRFinder:一种用于tRNA衍生的小RNA注释的工具
2022-02-21 09:48:32 2.59MB tool perl ngs prediction
1
iQuant用户手册 0.如何启动软件 请下载apia.rar文件并解压缩。 在目录中,您可以找到一个名为apia.exe的文件。 双击该文件以运行我们的软件。 1.登录 软件启动后,请单击“登录”按钮。 然后输入以下用户名和密码登录软件。 用户名 : - - - - 密码 : - - - - 2.首页 主页主要显示ETF的价格信息,包括最新价格(如果处于开盘期间,则每30秒更新一次),上一期间的收盘价,绝对涨跌幅以及相对涨跌幅范围,当前时段的开盘价,最高价和最低价以及常用的移动平均线信息。 3.管理ETF 此页面使您可以管理(添加或删除)当前投资的ETF。添加新的ETF时,我们支持同时添加多个ETF。 应当注意,每个ETF的名称必须用逗号或分号分隔。 4.更新历史数据 尽管我们的软件在启动时已经完全更新了历史数据。 但是,有时我们会使软件长时间处于活动状态,因此在计算
2022-02-20 16:05:50 5.43MB JupyterNotebook
1
matlab股票预测代码股市预测 使用人工神经网络分析和预测股市 #描述 Code 文件夹包含 3 个文件,CHO(包含用于训练神经网络的股票市场数据的数据文件),MATLAB_CODE(.m 文件,这是要在 MATLAB 环境中执行的实际 MATLAB 代码),errperf (删除一些错误的 .m 文件)。所有这些文件都需要存在于同一个文件夹中,一旦 MATLAB_CODE.m 文件被执行,需要选择“添加到路径”,神经网络训练工具打开并epochs(training) 需要一些时间才能完成。因此可以使用 nntrain 工具箱查看结果图。
2022-02-18 21:08:14 1.25MB 系统开源
1
Forest_Type_Cover_Prediction
2022-02-18 14:45:17 1.18MB JupyterNotebook
1
Covid-Prediction
2022-02-12 16:03:55 1.46MB JupyterNotebook
1
辍学学生的预测 该项目的目标是确定有辍学风险的学生 介绍 从一组包含有关1000名学生的前两个学期的信息的文件中,必须将它们集成到一个文件中以进行后续分析,最后的文件必须分为三组: 100名学生进行测试 200名学生评估模型 700名学生训练模型。 学生没有被标记,因此需要对数据进行描述性分析,一旦标记了学生,就必须使用kmeans才能基于聚类分析来标记数据。 必须使用人工神经网络来训练模型,以预测哪些学生会辍学。 建立模型后,必须使用100名学生的测试数据集来了解其中哪些人会辍学,因此它将使用一种遗传算法来优化大学的资源,以便为学生提供机会,从而避免辍学。 方法 发展 变量选择和特征工程 性别:男性或女性(0或1) admision.letras :十进制数字,代表学生在高中入学考试中的成绩。 admision.numeros :小数,表示学生在高中入学考试中的成绩。 prom
2022-02-12 10:23:16 16.41MB r genetic-algorithm neural-networks k-means
1
2016-08-08 The data and labels of the attribute prediction benchmark are released without encription (password). If Dropbox are not accessable, please download the dataset using Google Drive or Baidu Drive
2022-01-31 18:09:13 16.27MB 人工智能 机器学习 机器训练 数据集
1