基于注意力机制attention结合长短期记忆网络LSTM时间序列预测，LSTM-Attention时间序列预测，单输入单输出模型。 运行环境MATLAB版本为2020b及其以上。 评价指标包括:R2、MAE、MSE、RMSE等，代码质量极高，方便学习和替换数据。

基于VMD-Attention-LSTM的时间序列预测模型（代码仅使用了一个较小数据集的训练及预测，内含使用使用逻辑，适合初学者观看，模型结构是可行的，有能力的请尝试使用更大的数据集训练）

1.Matlab实现TPA-LSTM Attention-LSTM多变量回归预测； 2.运行环境为Matlab2020b； 3.Train为训练集数据，Test为测试集数据，TPAMain.m为主程序，运行即可；其余m文件为子函数，无需运行,所有文件放在一个文件夹； 4.运行需要要GPU支持运算。 1. 使用Matlab实现了TPA-LSTM/Attention-LSTM多变量回归预测的算法。 2. 该算法在Matlab2020b环境下运行。 3. 程序包含了训练集数据（Train）、测试集数据（Test）以及一个主程序（TPAMain.m），只需运行主程序即可。其他的m文件是子函数，无需单独运行，建议将所有文件放在同一个文件夹中。 4. 运行该程序需要GPU支持进行计算。 涉及的 1. TPA-LSTM/Attention-LSTM：这是一种多变量回归预测的算法。TPA-LSTM（Temporal Pattern Attention-LSTM）和Attention-LSTM分别是基于LSTM（长短期记忆）模型的改进版本，用于处理时间序列数据并关注序列中的重要模式和特征。

基于卷积神经网络-长短期记忆网络结合注意力机制(CNN-LSTM-Attention)多变量时间序列预测，CNN-LSTM-Attention多维时间序列预测，多列变量输入模型。matlab代码，2020版本及以上。 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。

基于卷积神经网络-双向门控循环单元结合注意力机制(CNN-BIGRU-Attention)多维时间序列预测，matlab代码，2020版本及以上。 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。

基于注意力的深度多实例学习 基于注意力的深度多实例学习可以应用于广泛的医学成像应用。 在项目“ ”@ ，我在 ICML 2018 论文“Attention-based Deep Multiple Instance Learning”（ ）中撰写了Keras版本这个 repo 为 Keras 用户分享解决方案。 可以在找到官方 Pytorch 实现。 我使用Tensorflow后端建造它与Keras。 我编写了论文中描述的注意力层，并在结肠图像中进行了 10 倍交叉验证的实验。 我得到了论文中描述的非常接近的平均准确率，可视化结果如下所示。 部分代码来自 。 在训练模型时，我们只使用图像级标签（0 或 1 以查看它是否是癌症图像）。 注意层可以通过仅呈现积极补丁的一小部分子集来提供对决策的解释。 我的实施结果 数据集 结肠癌数据集 已处理的补丁 我把我处理的数据放在这里，你也可以

resnet+attention model. 利用tensorflow改写。绝对好用！

学习丰富的功能以进行真实图像还原和增强（ECCV 2020） ， ， ， ， ， 和 论文： : 补充文件： 视频演示： : 摘要：为了从降级版本中恢复高质量图像内容，图像恢复在监视，计算摄影，医学成像和遥感等领域拥有众多应用。 最近，卷积神经网络（CNN）与传统的图像恢复任务方法相比取得了巨大的进步。 现有的基于CNN的方法通常以全分辨率或渐进式低分辨率表示形式运行。 在前一种情况下，获得了空间精确但上下文上不那么健壮的结果，而在后一种情况下，生成了语义上可靠但空间上不太准确的输出。 在本文中，我们提出了一种新颖的体系结构，其总体目标是通过整个网络维护空间精确的高分辨率表示，并从低分辨率表示接收强大的上下文信息。 我们方法的核心是包含几个关键元素的多尺度残差块：（a）并行多分辨率卷积流，用于提取多尺度特征；（b）跨多分辨率流的信息交换；（c）空间和渠道关注机

BP-LSTM-Attention-transformer，含数据，可直接运行 文件夹目录如下: BP data bp_anomaly.py lstm+attention B0005.csv lstm_attention_battery.py transformer pue.csv pue_transformer.py 多输出 Data.csv lstm_50.py 如有问题可随时私聊我解决，包售后 BP文件夹是多分类和二分类问题，包括focalloss lstm+attention是lstm加注意力机制 transformer是介绍时间序列预测问题 lstm_50是时间序列预测的多输出问题 https://data-mining.blog.csdn.net/ 我的博客有相应的介绍

pytorch图注意网络 这是Veličković等人提出的图注意力网络（GAT）模型的火炬实施。 （2017， ）。 回购协议最初是从分叉的。 有关GAT（Tensorflow）的官方存储库，请访问 。 因此，如果您在研究中利用pyGAT模型，请引用以下内容： @article{ velickovic2018graph, title="{Graph Attention Networks}", author={Veli{\v{c}}kovi{\'{c}}, Petar and Cucurull, Guillem and Casanova, Arantxa and Romero, Adriana and Li{\`{o}}, Pietro and Bengio, Yoshua}, journal={International Conference on Learning