RNN和LSTM都作为分析时序数据的一种神经网络，有区别也有联系，本人自己总结的RNN与LSTM的关系和案例分析。LSTM在RNN的基础上做了改进，使之对较远时间间隔的数据具有更好的记忆保留，
2022-05-07 15:08:25
1005KB
1
分享 BP CNN RNN LSTM 算法核心点：
反向传播算法的核心就是 梯度下降 + 链式法则求偏导
所谓神经网络的训练或者是学习，其主要目的在于通过学习算法得到神经网络解决指定问题所需的参数，
这里的参数包括各层神经元之间的连接权重以及偏置等
2022-05-06 18:42:07
1.09MB
1
使用循环神经网络(RNN, LSTM或GRU)实现气象数据预测：
数据集：
tq.csv记录了某地每隔1小时的气象数据：
Date Time：时间（日期是 日月年 的格式）
p (mbar)：大气压
T (degC)：气温
rh (%)：湿度
使用循环神经网络（RNN/LSTM/GRU之一）完成下列功能：输入最近n个小时的气象数据，预测之后24小时的气象数据
生成训练集和测试集：
以2014年及以前的数据为训练集
2015年及以后的数据为测试集
2022-05-03 12:07:01
759KB
1
使用RNN、LSTM、GRU三种神经网络模型进行文本分类，效果不错，附上详细代码及数据
2022-05-02 09:27:05
36.65MB
1
* 前馈神经网络 [FFNN.ipynb] (models / FFNN.ipynb)
* 简单移动平均线 [SMA.ipynb]（模型 / SMA.ipynb）
* 加权移动平均线 [WMA.ipynb] (models / WMA.ipynb)
* 简单指数平滑 [SES.ipynb] (models / SES.ipynb)
* Holts Winters [HW.ipynb]（型号 / HW.ipynb）
* 自回归综合移动平均线 [ARIMA.ipynb] (models / ARIMA.ipynb)
* 循环神经网络 [RNN.ipynb]（模型/RNN.ipynb）
* 长短期记忆单元 [LSTM.ipynb] (models / LSTM.ipynb)
* 门控循环单元格 [GRU.ipynb] (models / GRU.ipynb)
短期电力负荷预测研究生项目中，数据取自德里国家负荷调度中心网站，在项目过程中实施了多种时间序列算法。
2022-01-30 09:15:35
7.68MB
基于paddle从头实现了单向，多层，双向LSTM，给出了完整使用代码,并与paddle自带的LSTM进行了对比实验。
2021-12-31 19:03:42
8.64MB
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
SequencePrediction
Pytorch 实现RNN、LSTM、GRU模型
2021-11-30 14:40:25
12KB
1
RNN-Classification, 在 TensorFlow r1.0 上，基于 rnn/lstm对文本进行分类， 基于的递归最后，本文基于 rnn/lstm模型构建了一个文本分类器，并基于 TensorFlow r1.0. 模型进行这个项目目前支持基本的递归。GRU 。LSTM和 bn LSTM模型。 基于字符嵌入的项目是基于字符的，所以不
2021-11-11 11:49:05
24.86MB
1