有284个训练样本，273个测试样本，通过对数据的处理后进入基于LSTM的多层循环神经网络进行训练，测试样本测试准确率可达70+
2019-12-21 20:17:55
10KB
1
循环神经网络代码RNN-超全注释
#inputs t时刻序列，也就是相当于输入
#targets t+1时刻序列，也就是相当于输出
#hprev t-1时刻的隐藏层神经元激活值
def lossFun(inputs, targets, hprev):
xs, hs, ys, ps = {}, {}, {}, {}
hs[-1] = np.copy(hprev)
print('hs=',hs)
loss = 0
#前向传导 inputs 6xn
for t in range(len(inputs)):
2019-12-21 20:17:33
9KB
1
cnn +rnn +attention 以及CTC-loss融合的文字识别代码，基于tensorflow实现，要的拿去不客气，样本使用自我合成的数据，可自己添加，有些人傻的，上来就说不能直接运行，大爷的说了要添加训练样本，傻吗。。。
2019-12-21 19:59:04
16KB
1
ART,RBF,SOM,CNN,RNN等神经网络代码及说明ART,RBF,SOM,CNN,RNN等神经网络代码及说明ART,RBF,SOM,CNN,RNN等神经网络代码及说明
2019-12-21 19:34:26
51.18MB
1
Content
1. 回顾 deep learning在图像上的经典应用
1.1 Autoencoder
1.2 MLP
1.3 CNN
2. deep learning处理语音等时序信号
2.1 对什么时序信号解决什么问题
2.2 准备知识
2.2.1 Hidden Markov Model(HMM)
2.2.2 GMM-HMM for Speech Recognition
2.2.3 Restricted Boltzmann Machine（RBM）
3. DBN 和 RNN 在语音上的应用
3.1 DBN
3.1.1 DBN架构
3.1.2 DBN-DNN for Speech Recognition
3.2 RNN
3.2.1 RNN种类
3.2.2 RNN-RBM for Sequential signal Prediction
2019-12-21 19:22:43
4.96MB
1