LSTM回归预测与WOA鲸群优化算法

lstm 网络的资源，python实现

Gobal Attention的目的：是为了在生成上下文向量（也可以认为是句向量）时将所有的hidden state都考虑进去。Attention机制认为每个单词在一句话中的重要程度是不一样的，通过学习得到一句话中每个单词的权重。即为关注重要特征，忽略无关特征。 本代码采样keras2.2.4\tensorflow1.12进行实现的。

自然语言处理，对文本进行分类，也适用于恶意代码API函数序列分类

Modified CNN-LSTM for Pain Facial Expressions Recognition10 PUBLICATIONS 4 CITAT

使用pytorch搭建的简单的LSTM多变量多输出时间序列预测的使用例。 生成了多个以sinx、cosx、tanx构成的序列，使用[i:i+50]的数据预测[i+51]的数据。x是步长为0.1的等差数列 作者初学时用来当说明文档使用，程序适合初学者捣鼓，注释写的很详细了

SSAGAN预训练的 DAMSM 模型，包括文本编码器text encoder和图像编码器image encoder，其中text encoder是双向LSTM模型，image encoder是CNN模型。在文件中均已经预训练好了的第200轮。 下载后将其上传到 DAMSMencoders目录下并进行解压

随着我国经济制度和保障体制的不断完善，股票市场变得越来越热门，每年投资者的数量都在不断增加，所以如何有效地对股票价格进行预测成为研究领域的一个热门。 本文基于长短期记忆网络（LSTM，Long Short-Term Memory）神经网络模型，建立股价预测模型。训练数据选取了贵州茅台股票数据，然后选取其开盘价、收盘价、最高价和最低价作为四个输入特征进行训练。在优化算法方面，本文选择了很适用于LSTM模型的Adam（Adaptive moment estimation）算法。在模型结构方面，本文通过不断地修改学习率和训练轮数，调整模型的精确度。特别地，为获得更好的预测结果，本文对上述模型进行了改进，将三层神经网络改进为四层神经网络，实现新模型的均方误差（MSE，Mean Square Error）相比旧模型同输入特征的MSE下降了约47%。 从实验结果来看，在预测短期内的股价时，本模型的效果较好；在预测长期内的股价时，预测值和实际值有一定的差距，但是预测值的趋势和实际值的趋势大体一致，所以该模型在股价预测上有一定的实用价值。

torchtext的使用总结，并结合Pytorch实现LSTM 版本说明 PyTorch版本：0.4.1 火炬文字：0.2.3 python：3.6 文件说明 Test-Dataset.ipynb Test-Dataset.py使用torchtext进行文本预处理的笔记本和py版。 Test-Dataset2.ipynb使用Keras和PyTorch进行数据集进行文本预处理。 Language-Model.ipynb使用gensim加载预训练的词向量，并使用PyTorch实现语言模型。 使用说明 分别提供了笔记本版本和标准py文件版本。 从零开始逐步实现了torchtext文本预处理，

TensorFlow LSTM 写诗代码与数据