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

A-softloss损失函数代码

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

数据挖掘 LSTM 时间序列预测 随机森林 基于LSTM的股票数据分析 数学建模 探究股票各指标的相关性、建立模型 建立LSTM时间序列模型

人工智人-家居设计-基于LSTM的智能客服系统设计与实现.pdf

aclImdb_v1IMDB情感分类数据集.7z

LSTM 时间序列分析预测 目录 使用LSTM神经网络进行时间序列数据预测分析。 基于Tensorflow框架、Kerase接口开发网络模型。 包含数据清洗，数据特征提取，数据建模，数据预测。

源码中采取的NC文件（站点的风速和波高信息）（已上传）分别用LSTM和RNN模型进行训练并实验，输出散点拟合图以及预报折线图，实验预报效果较好，预报误差仅0.2m左右。源码内有注释，不明白的也可与我交流讨论，共同学习。