针对长短时记忆网络(LSTM)不能有效地提取动作前后之间相互关联的信息导致行为识别率偏低的问题,提出了一种基于Bi-LSTM-Attention模型的人体行为识别算法。该算法首先从每个视频中提取20帧图像,通过Inceptionv3模型提取图像中的深层特征,然后构建向前和向后的Bi-LSTM神经网络学习特征向量中的时序信息,接着利用注意力机制自适应地感知对识别结果有较大影响的网络权重,使模型能够根据行为的前后关系实现更精确的识别,最后通过一层全连接层连接Softmax分类器并对视频进行分类。通过Action Youtobe和KTH人体行为数据集与现有的方法进行比较,实验结果表明,本文算法有效地提高了行为识别率。

自然语言处理中命名实体识别效果最好的方式，上述为原文

对联AI 用PyTorch实现的自动对对联系统，支持多种模型。一般而言，给定一句话生成另一句话是序列生成问题，本项目根据上下联字数不同的特点将其转化为序列标注问题，即用下联去标注上联。 依存关系 python 3.6+ pytorch 1.2+ 烧瓶（可选） 数据集 数据集包含70多万条对联数据（26MB），下载请，或者（提取码：wude）。 用法 将下载到的数据集解压到当前目录（解压后的文件夹名称为couplet ） 运行preprocess.py进行数据预 运行main.py [-m model type]进行训练 运行clidemo.py <-p model path>可在控制台进行AI对对联 运行webdemo.py 可在Web端进行AI对对联 命令行参数的详细说明见文件内，你也可以在module/model.py中定义你自己的模型。 使用Docker

Bi-LSTM matlab代码 项目介绍 该项目的目标是：基于PyTorch实现中文孤立手语词识别； 目前使用的基本网络结构是：Bi-LSTM（双向长短期记忆神经网络）； 数据集使用的是：中国科学技术大学提供的500-CSL（500类中文手语单词数据集）； 项目文件树 整个项目工程结构如下（Git默认设置不能跟踪空文件夹，需要手动创建） SignLanguageRecognition ├── config │ ├── Net.cfg │ ├── SLR_dataset.cfg │ ├── SLR_server.cfg │ └── __init__.py ├── data │ └── SLR_dataset │ ├── dictionary.txt │ ├── processed/ │ ├── txt2mat.m │ ├── xf500_body_depth_mat/ │ ├── xf500_body_depth_mat.zip │ ├── xf500_body_depth_txt/ │ ├── xf500_body_depth_txt.zip │ ├── xf500_color_vi

基于谭松波老师的酒店评论数据集的中文文本情感分析，二分类问题 数据集标签有pos和neg，分别2000条txt文本 选择RNN、LSTM和Bi-LSTM作为模型，借助Keras搭建训练 主要工具包版本为TensorFlow 2.0.0、Keras 2.3.1和Python 3.6.2 在测试集上可稳定达到92%的准确率

使用双隐层LSTM模型（DHLSTM）和双向LSTM（Bi-LSTM）模型两种方法，实现MNIST数据集分类

论文《End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF》的代码实现

情绪分析 总览 情感分析是一种自然语言处理（NLP）任务，其目的是评估文本块的极性/情感。 根据定义，广泛用于客户关系管理（CRM）的环境中，用于自动评估评论和调查回复以及社交媒体。 情绪分析中常见的子任务是： 消息极性分类：给定一条消息，对消息的整体上下文极性进行分类是正面，负面还是中性。 基于主题或基于实体的消息极性分类：给定消息和主题或实体，将消息按该主题或实体分类。 SemEval（国际语义评估研讨会）是一个流行的，专门负责情感分析任务的研讨会。 有关此类任务（任务4）的最新年度（2017年）概述，请访问： : 。 该项目当前仅针对“消息极性分类”子任务。 该存储库包含：

NER-LSTM-CRF 一个易于使用的命名实体识别（NER）工具包，在张量流中实现了LSTM + [CNN] + CRF模型。 该项目短期内不再维护，PyTorch版本： : 1.型号 Bi-LSTM / Bi-GRU + [CNN] + CRF，其中CNN层针对英文，捕获字符特征，通过参数use_char_feature控制self.nil_vars.add（self.feature_weight_dict [feature_name] .name）。 2.用法 2.1数据准备 训练数据处理成下列形式，特征之间用制表符（或空格）替换，每行共n列，1至n-1列为特征，最后一列为labe

论文讲解：https://blog.csdn.net/qq_33302004/article/details/113992765