deep-learning personal practice 深度学习个人练习，该项目实现了深度学习中一些常用的算法，内容包括： 四种初始化方法：zero initialize, random initialize, xavier initialize, he initialize。 深度神经网络 正则化 dropout 三种梯度下降方法：BGD, SGD, mini-batch 六种优化算法：momentum、nesterov momentum、Adagrad、Adadelta、RMSprop、Adam 梯度检验 batch normalization recurrent neural network (RNN) Note: 下列 1-10中网络架构主要为四大块： initialize parameters、forward propagation、backward propagati

麻雀算法(SSA)优化长短期记忆神经网络的数据多变量时间序列预测，SSA-LSTM多维时间序列预测。 评价指标包括:R2、MAE、MSE、RMSE和MAPE等，代码质量极高，方便学习和替换数据。

1. 对应视频链接：https://www.bilibili.com/video/BV1We4y1Z7jG/?vd_source=cf212b6ac033705686666be12f69c448 2. Matlab实现BP神经网络的时间序列预测（完整源码和数据) 3. 单列数据，递归预测-自回归，时间序列预测 4. 评价指标包括：R2、MAE、MSE、RMSE 5. 包括拟合效果图和散点图 6. Excel数据，暂无版本限制，推荐2018B及以上版本 7. 其他代码连接：https://docs.qq.com/sheet/DRXBpdVRydFRHTXlB?tab=BB08J2&_t=1667389129635&u=96322ede66974c7097f1238bbc559fdc

“BP和RBF神经网络计算软件”是“风雨江湖”水利系列软件之一，基于Excel VBA研发，在安装有Microsoft Excel或金山WPS（需安装相关VBA工具包）的计算机中，双击运行扩展名为“.xlsm”的Excel文件即可。该软件实现具有3层网络结构的反向传播神经网络（Back Propagation，BP）和径向基函数神经网络（Radial Basis Function，RBF）的训练和运行。软件能够根据输入、输出样本进行网络训练，可人工调整各层神经元个数和训练参数，并能够利用事先训练完成的网络参数进行模拟计算。

具体详见博客：https://blog.csdn.net/qq_45077760/article/details/124508235?spm=1001.2014.3001.5502

Matlab神经网络43个案例分析。 BP神经网络的数据 BP神经网络的非线 遗传算法优化BP神 神经网络遗传算法函 基于BP_Adaboost的 PID神经元网络解耦 RBF网络的回归--非 GRNN网络的预测--- 离散Hopfield神经网 离散Hopfield神经 连续Hopfield神经 初始SVM分类与回 LIBSVM参数实例详 基于SVM的数据分 SVM的参数优化— 基于SVM的回归预 基于SVM的信息粒 基于SVM的图像分 基于SVM的手写字 LIBSVM-FarutoUltim 自组织竞争网络在 SOM神经网络的数 Elman神经网络的数 概率神经网络的分 基于MIV的神经网 LVQ神经网络的分 LVQ神经网络的预 决策树分类器的应 极限学习机在回归 基于随机森林思想 思维进化算法优化 小波神经网络的时 模糊神经网络的预 广义神经网络的聚 粒子群优化算法的 遗传算法优化计算 基于灰色神经网络 基于Kohonen网络 神经网络GUI的实 动态神经网络时间 定制神经网络的实

【超实用课程内容】 本课程从pytorch安装开始讲起，从基本计算结构到深度学习各大神经网络，全程案例代码实战，一步步带大家入门如何使用深度学习框架pytorch，玩转pytorch模型训练等所有知识点。最后通过 kaggle 项目：猫狗分类，实战pytorch深度学习工具。 【课程如何观看？】 PC端：https://edu.csdn.net/course/detail/27286 移动端：CSDN 学院APP（注意不是CSDN APP哦） 本课程为录播课，课程永久观看，大家可以抓紧时间学习后一起讨论哦~ 【学员专享增值服务】 源码开放 课件、课程案例代码完全开放给你，你可以根据所学知识，自行修改、优化 下载方式：电脑登录https://edu.csdn.net/course/detail/27286，点击右下方课程资料、代码、课件等打包下载

MATAB神经网络源码及数据分析GRNN-数据预测

本文来自于网络，文章详细介绍了使用Python实现机器学习算法的损失函数、反向传播过程等相关知识。在这一章节里，我们将实现一个简单的神经网络架构，将2维的输入向量映射成二进制输出值。我们的神经网络有2个输入神经元，含6个隐藏神经元隐藏层及1个输出神经元。我们将通过层之间的权重矩阵来表示神经网络结构。在下面的例子中，输入层和隐藏层之间的权重矩阵将被表示为W，隐藏层和输出层之间的权重矩阵为W。除了连接神经元的权重向量外，每个隐藏和输出的神经元都会有一个大小为1的偏置量。我们的训练集由m=750个样本组成。因此，我们的矩阵维度如下：训练集维度：X=(750，2)目标维度：Y=(750，1)W维度：(

主要介绍了Python编程实现的简单神经网络算法,结合实例形式分析了神经网络算法的原理及Python相关算法实现技巧,需要的朋友可以参考下