使用Pytorch [WIP]进行情感分析 更新/注意：大家好，我不再使用此存储库了！ 请自行决定使用，因为我认为强烈建议您不要使用它。 实际上，这只是我在Pytorch首次推出时对其进行的测试。 由于我基本上是用TF编写代码，因此无法回答此存储库中的任何问题。 另外，大约一年多以前，我对此进行了编码。 谢谢！ 在SemEval 2014上使用RNN / GRU / LSTM进行基于方面的情感分析的Pytorch示例。 目前，我们实现了基线LSTM / RNN / GRU模型，该模型在最后一个输出上具有线性层，以及基于目标的情感分析（ABSA）的依赖于目标的TD-LSTM（Tang等，2015）模型。 序列从前面填充零，以便最后一个向量不为零。 我们使用keras pad序列将它们填充在prepare脚本中。 到目前为止，没有任何东西被掩盖，我们填充到最大长度。 有两种预测模式，即

SMILES枚举，向量化和批处理生成 SMILES枚举是写出所有可能的SMILES形式的分子的过程。 这是在基于序列的分子建模之前进行数据增强的有用技术。 您可以在此或了解有关背景的更多信息 笔记 提供了更多更新的软件包。 导入SmilesEnumerator并实例化对象 from SmilesEnumerator import SmilesEnumerator sme = SmilesEnumerator () print help ( SmilesEnumerator ) Help on class SmilesEnumerator in module SmilesEnumerator: class SmilesEnumerator(__builtin__.object) | SMILES Enumerator, vectorizer and devectorizer |

music_rnn, 基于递归神经网络的音乐语言建模 概述一个在MIDI文件数据集上训练LSTM递归神经网络的项目。 可以在 writeup上找到关于这个项目或者最终报告的更多信息。 警告：这个代码库的某些部分未完成。 依赖项python 2.7AnacondaNumpy ( ht

单词张量流 使用TensorFlow在Python中使用词层语言模型的多层递归神经网络（LSTM，RNN）。 大多数重用的代码来自 ，其灵感来自Andrej Karpathy的 。 要求 基本用法 要在tinyshakespeare语料库上使用默认参数进行训练，请运行： python train.py 从经过训练的模型中采样 python sample.py 要使用波束搜索进行拾取，请使用--pick参数。 可以使用--width参数进一步自定义光束搜索，该参数设置要搜索的光束数量。 例如： python sample.py --pick 2 --width 4 样品输出 Word

【ELMAN预测】基于粒子群算法改进ELMAN动态递归神经网络实现数据预测matlab源码.md

基于递归神经网络的故障诊断 matlab仿真

含分布时滞递归神经网络的一般衰减同步.pdf

一类具比例时滞脉冲递归神经网络的全局多项式稳定性.pdf

时滞递归神经网络的H_(∞)稳定与同步控制.pdf

卷积递归神经网络 该软件实现了卷积递归神经网络（CRNN），它结合了CNN，RNN和CTC损失，可用于基于图像的序列识别任务，例如场景文本识别和OCR。 有关详细信息，请参阅我们的论文 。 更新2017年3月14日，一个Docker文件已添加到项目中。 感谢 。 UPDATE 2017年5月1日一PyTorch已作出 。 更新2017年6月19日对于端到端文本检测器+识别器，请通过签出 。 建立 该软件仅在Ubuntu 14.04（x64）上经过测试。 需要启用CUDA的GPU。 要构建项目，请首先安装最新版本的 ， 和LMDB。 请分别遵循其安装说明。 在Ubuntu上，可以通过apt-get install liblmdb-dev 。 要构建项目，请转到src/并执行sh build_cpp.sh来构建C ++代码。 如果成功，则应在src/目录中生成一个名为libcrnn.so的文件。 运行演示 演示程序可以在src/demo.lua找到。 在运行演示之前，请从下载预训练的模型。 将下载的模型文件crnn_demo_model.t7放入目录model/crnn_demo/