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。

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