命名实体识别是自然语言处理的一项关键技术. 基于深度学习的方法已被广泛应用到中文实体识别研究中. 大多数深度学习模型的预处理主要注重词和字符的特征抽取, 却忽略词上下文的语义信息, 使其无法表征一词多义, 因而实体识别性能有待进一步提高. 为解决该问题, 本文提出了一种基于BERT-BiLSTM-CRF模型的研究方法. 首先通过BERT模型预处理生成基于上下文信息的词向量, 其次将训练出来的词向量输入BiLSTM-CRF模型做进一步训练处理. 实验结果表明, 该模型在MSRA语料和人民日报语料库上都达到相当不错的结果, F1值分别为94.65%和95.67%.

在Anaconda Jupyter Noteboo下实现的基于长短期记忆网络（LSTM）的手写体数字识别（ipynb文件格式）

LSTM（Long Short-Term Memory）是长短期记忆网络，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。 LSTM 已经在科技领域有了多种应用。基于 LSTM 的系统可以学习翻译语言、控制机器人、图像分析、文档摘要、语音识别图像识别、手写识别、控制聊天机器人、预测疾病、点击率和股票、合成音乐等等任务。本文档是基于LSTM原理的简单实现，有助于理解其原理。

行业分类-物理装置-一种基于双向长短期记忆网络的定位修正方法.zip

该资料用RNN，LSTM，GRU神经网络三个算法分别对电力负荷进行预测，数据集是某地一年的电力负荷数据集，采样时间为每15分钟采样一次，每日一共有96个采样点。

近年来, 随着人工智能的发展, 深度学习模型已在ECG数据分析(尤其是房颤的检测)中得到广泛应用. 本文提出了一种基于多头注意力机制的算法来实现房颤的分类, 并通过PhysioNet 2017年挑战赛的公开数据集对其进行训练和验证. 该算法首先采用深度残差网络提取心电信号的局部特征, 随后采用双向长短期记忆网络在此基础上提取全局特征, 最后传入多头注意力机制层对特征进行重点提取, 通过级联的方式将多个模块相连接并发挥各自模块的作用, 整体模型的性能有了很大的提升. 实验结果表明, 本文所提出的heads-8模型可以达到精度0.861, 召回率0.862, F1得分0.861和准确率0.860, 这优于目前针对心电信号的房颤分类的最新方法.

长短期记忆网络详解 ，内含详细的解释。英文资源。对理解LSTM网络的结构有很大的帮助！

针对群体情绪识别准确率的问题，结合卷积神经网络（CNN）与长短期记忆网络（LSTM），提出一种多流CNN-LSTM网络模型学习群体情绪的静态和动态特征。以视频序列的原始图像、视觉显著图形和叠加的光流图像分别作为三个通道的输入，利用CNN网络对空间特征和局部运动特征进行分析，得到的特征图直接输入LSTM网络，进行全局运动特征的学习。最后连接Softmax分类器，对三个通道的Softmax输出进行加权融合，得到分类结果。实验结果表明，模型可有效地识别四种典型的群体情绪，且识别率高于已有算法，准确度（ACC）和宏平均精度（MAP）分别最高可达82.6%、84.1%。

用LSTM长短期记忆网络实现的金融序列单步预测的代码，基于keras框架搭建的模型，可以用于参考学习