rnn-实验 循环神经网络实验

MATLAB实现LSTM长短期记忆神经网络多特征分类预测（完整源码和数据） 数据为多特征分类数据，输入12个特征，分四类,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。 运行环境MATLAB2018b及以上。

对SOM网络进行了详细的介绍，对于学习自组织特征映射网络具有很好的帮助

MATLAB实现DBO-BP多输入单输出回归预测（完整源码和数据） 螳螂算法优化BP神经网络多输入回归预测，数据为多输入回归数据，输入2个特征，输出1个变量,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。 运行环境MATLAB2018b及以上。

1.请拟合以下两组数据，用线性回归完成（Logistic回归、感知器或其他线性分类器的其中一种完成拟合即可）。 [x,y]=[（1,1）,(2,3), (2,1),(1,0),(5,2),(4,0),(3,1),(4,3),(7,3)] [x,y]=[[0.067732,3.176513],[0.427810,3.816464],[0.995731,4.550095],[0.738336,4.256571],[0.981083,4.560815],[0.526171,3.929515],[0.378887,3.526170],[0.033859,3.156393],[0.132791,3.110301],[0.138306,3.149813],[0.247809,3.476346],[0.648270,4.119688],[0.731209,4.282233],[0.236833,3.486582],[0.969788,4.655492],[0.607492,3.965162],[0.358622,3.514900],[0.147846,3.125947],[0.637820,4.09

深度学习利用循环神经网络预测股价走势，包含多种情况，多个例子，还有简要的原理注释说明。

MATLAB实现BiLSTM双向长短期记忆神经网络多特征分类预测（完整源码和数据） 数据为多特征分类数据，输入12个特征，分四类,程序乱码是由于版本不一致导致，可以用记事本打开复制到你的文件。 运行环境MATLAB2018b及以上。

pytorch 实战，使用生成对抗网络生成动漫图像。 使用的技术：分割数据集（torch.utils.data.random_split）,early_stopping 当满足一定的条件时提前结束训练。训练，测试代码完善，非常容易上手。

本文对2019年10月更新的CNN综述文章《A Survey of the Recent Architectures of Deep Convolutional Neural Networks》进行了翻译，对大家全面了解CNN架构进展有所帮助。

【实验内容和要求】 1. 给定的房屋面积x和价格y X = [[40], [50], [80], [100],[130], [150],[170], [200], [250], [300]] y = [[100],[150],[170], [200],[230], [250],[270], [280], [310], [330]] 请合理指定二次多项式回归以及三次多项式回归的公式。 做最终效果预测的样本 X_test = [[120],[150],[250],[300]] # 用来做最终效果测试 y_test = [[220],[250],[310],[330]] # 用来做最终效果测试