利用tensorflow实现的循环神经网络RNN（本程序使用了LSTM）来做语言模型，并输出其困惑度。
#语言模型主要是根据一段给定的文本来预测下一个词最有可能是什么。困惑度用于评价语言模型。困惑度越小，则模型的性能越好。
2021-12-30 20:33:21
12KB
1
RNN+Attention实现Seq2Seq中英文机器翻译
2021-12-27 19:08:29
256.6MB
1
频率解析Matlab代码基于RNN的强化学习框架，可确保稳定的最佳频率
该存储库包含重现以下论文中显示的结果所必需的源代码：
作者：崔文琦和张宝森
华盛顿大学
动机
除了传统的线性下垂控制器以外，基于逆变器的资源的渗透率的提高还为我们提供了电力系统频率调节方面的更多灵活性。
由于具有快速的电源电子接口，与线性控制器相比，基于逆变器的资源可用于实现复杂的控制功能，并可能在性能上带来较大的收益。
通过将参数化为神经网络来发现这些非线性控制器，强化学习已成为一种流行的方法。
基于学习的方法面临的主要挑战是，很难对学习到的控制器强制执行稳定性约束。
另外，电力系统的时间耦合动力学将大大减慢神经网络的训练。
在本文中，我们建议对基于神经网络的控制器的结构进行显式设计，以确保所有拓扑和参数的系统稳定性。
这可以通过使用Lyapunov函数来指导其结构来完成。
基于递归神经网络的强化学习架构用于有效地训练控制器的权重。
最终的控制器仅使用本地信息并优于线性下降，以及仅通过使用强化学习而学习到的策略。
从提出的框架中学到的灵活的非线性控制器
在这里，我们展示了与线性下降控制相比，神经网络控制器的作用
2021-12-21 14:01:34
1022KB
1
预测AUCORP
Preempcion de Valores en系列de Tiempo（预测时间序列）usando MLP，LSTM-RNN
重要信息Entrega 2-Python 08/09/2019： :
Entrega 1-Weka： :
Analisis Normalizado： ：
Analisis否Normalizado： :
配置
正确的Jupyter笔记本电脑实物尺寸和尺寸2
配置1
Entorno Conda进口商品：（ Para进口商品，包括Anaconda 3。
La版本de python和demas estan determinados en el siguiente entorno）
配置2
配置指令
相依性：
Python 3.6 （不推荐使用ES基本版con sta版本ya que Py3.7 no corren algu
2021-12-20 16:40:44
11.72MB
1
作者： Ivan Bongiorni ，数据科学家。
卷积递归Seq2seq GAN用于时间序列数据中缺失值的插补
描述
该项目的目标是为时间序列数据的插补实现递归卷积Seq2seq神经网络的多种配置。 提供了三种实现：
循环卷积seq2seq模型。
基于上述相同体系结构的GAN （生成对抗网络），其中训练了Imputer来欺骗试图区分真实和假（推算）时间序列的对抗网络。
一种部分对抗的模型，其中先前模型的两种损失结构都组合在一个模型中：Imputer模型必须减少真实的错误损失，同时尝试欺骗鉴别器。
模型在TensorFlow 2中实现，并在数据集中进行了训练。
档案文件
config.yaml ：用于数据预处理，培训和测试的配置参数。
管道：
main_processing.py ：启动数据预处理管道。 其结果是将准备好训练的数据集以.npy（ numpy ）格式保存在/da
2021-12-19 16:26:05
3.01MB
1