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.

对 Deep convolutional network cascade for facial point detection[CVPR13]一文的复现，可演示的可执行文件。 目前只实现了第一层。

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

注意力机制（英語：attention）是人工神经网络中一种模仿认知注意力的技术。这种机制可以增强神经网络输入数据中某些部分的权重，同时减弱其他部分的权重，以此将网络的关注点聚焦于数据中最重要的一小部分。数据中哪些部分比其他部分更重要取决于上下文。可以通过梯度下降法对注意力机制进行训练。 类似于注意力机制的架构最早于1990年代提出，当时提出的名称包括乘法模块（multiplicative module）、sigma pi单元、超网络（hypernetwork）等。注意力机制的灵活性来自于它的“软权重”特性，即这种权重是可以在运行时改变的，而非像通常的权重一样必须在运行时保持固定。注意力机制的用途包括神经图灵机中的记忆功能、可微分神经计算机中的推理任务[2]、Transformer模型中的语言处理、Perceiver（感知器）模型中的多模态数据处理（声音、图像、视频和文本）。人类的注意力机制（Attention Mechanism）是从直觉中得到，它是人类利用有限的注意力资源从大量信息中快速筛选出高价值信息的手段。深度学习中的注意力机制借鉴了人类的注意力思维方式，被广泛的应用在自然语言

GWO优化LSTM分类，这个代码分了两类。

利用pytorch实现图像分类的一个完整的代码，训练，预测，TTA，模型融合，模型部署，cnn提取特征，svm或者随机森林等进行分类，模型蒸馏，一个完整的代码。 实现功能： 基础功能利用pytorch实现图像分类 包含带有warmup的cosine学习率调整 warmup的step学习率优调整 多模型融合预测，加权与投票融合 利用flask + redis实现模型云端api部署（tag v1） c++ libtorch的模型部署 使用tta测试时增强进行预测（tag v1） 添加label smooth的pytorch实现（标签平滑）（tag v1） 添加使用cnn提取特征，并使用SVM，RF，MLP，KNN等分类器进行分类（tag v1）。 可视化特征层。 转载：https://github.com/lxztju/pytorch_classification

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