tf2_lstm 使用tensorflow 2.0 rc1在LSTM上进行试验。 使用来自实际油井的每日生产数据。

做自然语言处理中，关于情感分析的项目，用到了LSTM算法，在其中词嵌入word_embedding中需要用的glove算法预先训练数据，需要用的预训练数据。

张量流-lstm回归 这是基于循环网络的回归器的示例： 目的是根据以前使用LSTM架构的观察结果，在本示例中预测连续值，sin和cos函数。 本示例已更新为与tensrflow-1.1.0兼容的新版本。 这个新版本使用了一个库 ，该库提供了一个API，可基于张量流创建深度学习模型和实验。 安装并运行 创建一个虚拟环境 建议您为安装程序创建一个virtualenv，因为此示例高度依赖于需求文件中设置的版本。 使用python3 $ mkvirtualenv -p python3 ltsm (ltsm) $ 使用python2 $ mkvirtualenv ltsm (ltsm) $ 安

Tensorflow下Keras中Lstm方法进行时间序列预测，代码中做了详尽的中文解释，并对一些参数进行了注释和说明。适合初学者练手。该例子中所用数据为双色球历史开奖数据（7列），用本期开奖数据预测下一期数据（当然预测结果是相差很远）。可以通过反复调整参数观察预测的结果，学习各参数对预测结果的影响。

使用LSTM和其他算法进行无监督的异常检测 在合成时间序列数据上使用LSTM（长期短期记忆）算法进行无监督的异常检测。 它使用均方误差作为此类数据中离群值的度量。 原始信号，平滑信号和通过MSE进行异常检测的图表。 一些待办事项： Keras（TF后端） 估算真实数据（例如，） PyTorch端口 其他方法： 带有状态转换的有限状态自动机，用于时间序列数据分段（ ） 一类NN（） 待定 参考

针对传统数据驱动的故障诊断方法难以从QAR数据中提取有效特征的问题，提出一种融合卷积神经网络（convolutional neural network，CNN）与长短时记忆网络（long short-term memory，LSTM）的双通道融合模型CNN-LSTM。CNN与LSTM分别作为两个通道，通过注意力机制（attention）融合，从而使模型能同时表达数据在空间维度和时间维度上的特征，并以时间序列预测的方式验证融合模型特征提取的有效性。实验结果表明，双通道融合模型与单一的CNN、LSTM相比，能够更有效地提取数据特征，模型单步预测与多步预测误差平均降低35.3%，为基于QAR数据的故障诊断提供一种新的研究思路。

针对中文文本自动校对提出了一种新的基于Seq2Seq和Bi-LSTM结合的深度学习模型。与传统的基于规则和概率统计的方法不同，基于Seq2Seq基础结构改进，加入了Bi-LSTM单元和注意力机制，实现了一个中文文本自动校对模型。采用F0.5与GLEU指标评价，通过公开的数据集进行不同模型的对比实验。实验结果表明，新模型能有效地处理长距离的文本错误以及语义错误，Bi-RNN以及注意力机制的加入对中文文本校对模型的性能有显著提升。

在金融二级市场上对数据的分析方法主要是基于统计学和人工建模的方法，本文的提出了使用神经网络的方法分析二级市场金融数据。本文首先提出了在金融二级市场上使用神经网络方法的思路，其次证明了在二级市场使用神经网络进行数据分析的可行性，并且根据金融数据的特点设计出一种适合于处理金融数据的CNN-LSTM网络来处理数据。该网络对比传统的简单的统计方法和一些神经网络方法比如逻辑回归，卷积神经网络（CNN），长短期记忆网络（LSTM）等方法，在对市场价格变化在较短时间内的预测和在较长时间内的预测都有显著的提高，比简单的统计方法提高10%，比其他神经网络提高5%。提出了一种能够较为有效分析金融二级市场数据的方法。

Reinforcement-learning-in-GTA V 在 GTAV 环境 中使用强化学习算法(Actor-Critic-LSTM) 配置 Grand Theft Auto V(侠盗猎车手 5) steam 或者原装均可 numpy Pytorch(gp 版本) 推荐最新版本(0.40) torchvision GPU(推荐 GTX 960 及以上)，我使用的 GTX 960 同时运行 GTA V 和 Actor-Critic 算法有点吃力 系统 Windows，因为MAC 以及 linux 上没有 GTA V ，我的另一个项目。 文件结构 constant 用于算法的一些常数，包括按键，日志，网络常量，游戏画面截取位置 model 网络，使用预训练的 ResNet 得到卷积特征的序列，然后进入 LSTM 得到策略函数和值函数。 train 训练过程 util 工具函数，包

Twitter情绪识别 经过训练的递归神经网络（RNN）模型，用于根据英语推文预测情绪。 我们的模型适用于字符，因此我们无需进行任何预处理就将整个推文传递为RNN。 我们正在预测三种情感分类： 埃克曼的六种基本情感， 普鲁奇克的八种基本情感 情绪状态简介（POMS）的六个情绪状态。 文件和文件夹： demo.ipynb ：脚本显示了如何使用我们的模型来预测情绪或将推文嵌入Jupiter Notebook。 demo.py ：脚本显示了如何使用我们的模型来预测情绪或在Python中嵌入推文。 motion_prediction.py ：定义EmotionPredictor类的帮助脚本。