需要调用的模块及整体Bi-lstm流程 import torch import pandas as pd import numpy as np from tensorflow import keras import torch.nn as nn import torch.nn.functional as F import torch.optim as optim from torch.utils.data import DataLoader from torch.utils.data import TensorDataset import gensim from sklearn.model_s

tf2onnx-将TensorFlow模型转换为ONNX。 构建类型 操作系统 Python 张量流 Onnx Opset 状态 单元测试-基本 Linux，MacOS * ，Windows * 3.6、3.7、3.8 1.12-1.15、2.1-2.4 7-13 单元测试-完整 Linux，MacOS，Windows 3.6、3.7、3.8 1.12-1.15、2.1-2.4 7-13 支持的版本 ONNX tensorflow-onnx将使用系统上安装的ONNX版本，如果未找到，则安装最新的ONNX版本。 我们支持ONNX opset-6至opset-13。 默认情况

股票价格预测 使用实际数据并实施LSTM和GRU递归网络进行时间序列数据预测来预测公司的股价 在此示例中，它遍历了从2008年至今的亚马逊和特斯拉股价，并为时间序列数据训练了回归模型以预测可能的波动

微博情感分析旨在研究用户关于热点事件的情感观点，研究表明深度学习在微博情感分析上具有可行性。针对传统卷积神经网络进行微博情感分析时忽略了非连续词之间的相关性，为此将注意力机制应用到卷积神经网络（CNN）模型的输入端以改善此问题。由于中文微博属于短文本范畴，卷积神经网络前向传播过程中池化层特征选择存在丢失过多语义特征的可能性，为此在卷积神经网络的输出端融入树型的长短期记忆神经网络（LSTM），通过添加句子结构特征加强深层语义学习。在两种改进基础上构造出一种微博情感分析模型（Att-CTL），实验表明该模型在微博情感分析上具有优良的特性，尤其在极性转移方面仍保持较高的F1值。

使用长期短期记忆（LSTM）进行风能预测 有关完整的详细信息，请阅读CSE 523项目报告.pdf。 介绍 由于风速/功率具有可再生性和环境友好性，因此在地球上受到越来越多的关注。 随着全球风电装机容量的Swift增加，风电行业正在发展为大型企业。 可靠的短期风速预测在风能转换系统中起着至关重要的作用，例如风轮机的动态控制和电力系统调度。 精确的预测需要克服由于天气条件波动而导致的可变能源生产问题。 风产生的功率高度依赖于风速。 尽管它是高度非线性的，但风速在特定时间段内遵循特定模式。 我们利用这种时间序列模式来获得有用的信息，并将其用于功率预测。 LSTM用于对数据执行不同的实验并得出结论。 结论 我们的目标是改善对使用风能发电的功率的预测，并且已经实现了将LSTM用作机器学习模型并对其进行模型优化。 我们还观察到，如果风速小于4 m / s，则系统生成的功率为零。 LSTM无法学习这

Speech Emotion Recognition 用 LSTM、CNN、SVM、MLP 进行语音情感识别，Keras 实现。 改进了特征提取方式，识别准确率提高到了 80% 左右。原来的版本的存档在 。 | 中文文档   Environments Python 3.6.7 Keras 2.2.4   Structure ├── models/ // 模型实现 │   ├── common.py // 所有模型的基类 │   ├── dnn // 神经网络模型 │   │ ├── dnn.py // 所有神经网络模型的基类 │   │ ├── cnn.py // CNN │   │ └── lstm.py // LSTM │   └── ml.py

其中包括程序项目三个， Text CNN，RNN＋CRT，CNN＋LSTM的文本分类。包括数据训练集和测试集。文本分类是NLP的基础任务，掌握它是进阶的基础 enjoy

LSTM网络的降雨径流建模代码。 该模型每天运行一次，强迫数据是流域平均降水量、潜在蒸发量、最高和最低温度。 使用的数据来自美国 MOPEX 数据集（ https://www.nws.noaa.gov/ohd/mopex/mo_datasets.htm ）。

PyTorch中的LSTM-CRF 用于序列标记的双向LSTM-CRF的最小PyTorch（1.7.1）实现。 支持的功能： CUDA的小批量培训 嵌入层中的查找，CNN，RNN和/或自我关注 分层递归编码（HRE） 条件随机场（CRF）的PyTorch实现 CRF损失的矢量化计算 矢量化维特比解码 用法 培训数据的格式应如下： token/tag token/tag token/tag ... token/tag token/tag token/tag ... ... 有关更多详细信息，请参见每个子目录中的README.md。 准备数据： python3 prepare.py training_data 训练： python3 train.py model char_to_idx word_to_idx tag_to_idx training_data.csv (v

为提高信用风险评估的准确性，基于互联网行业的用户行为数据，提出一种基于长短期记忆（LSTM）神经网络和卷积神经网络（CNN）融合的深度神经网络个人信用评分方法。对每个用户的行为数据进行编码，形成一个包括时间维度和行为维度的矩阵，通过融合基于注意力机制的LSTM模型和CNN模型2个子模型，从用户原始行为数据中提取序列特征和局部特征。在真实数据集上的实验结果表明、该方法的KS指标和AUC指标均优于传统的机器学习方法和单一的LSTM卷积神经网络方法，证明了该方法在个人信用评分领域的有效性和可行性。