随着我国环境监测技术的不断发展, 环境空气质量的网格化监测体系越来越受到相关工作人员的青睐, 为应对空气污染的网格化监测体系中的小型、微型监测站的空气质量预测问题, 本文提出了一种基于GCN和LSTM的空气质量预测模型. 首先利用GCN网络提取网格化监测体系中的小微型监测站之间的空间特征, 然后再使用LSTM提取时间特征, 最后使用线性回归层来综合时空特征并产生空气质量的预测结果. 为了验证本文提出的预测模型的性能, 我们使用了沈阳市浑南区的14个小微型监测站的空气质量监测数据进行实验. 实验结果显示, 基于GCN-LSTM的空气质量预测模型在空间关联较强的网格化监测中的小微型监测站上的预测结果的精度要优于单一的LSTM预测模型.

3D重建脚模型Pix2Vox-LSTM CSC2547 3D计算机视觉最终项目实现了Pix2Vox-LSTM方法，并在手部脚部数据集上进行了测试。 要下载经过Pix2Vox-LSTM.pth训练的模型文件，请访问： ://drive.google.com/file/d/1RZt_TOf6VSUGo3D_ZpumbTWFahvM7Lu5/view?usp=sharing

稀疏自动编码器和LSTM网络相结合的水质预测模型

SA-LSTM 该项目试图实施在“通过来提出的SA-LSTM [1]， ICCV 2015 。 环境 Ubuntu 16.04 CUDA 9.0 cuDNN 7.3.1 英伟达Geforce GTX Titan Xp 12GB 要求 Java 8 Python 2.7.12 PyTorch 1.0 Requirements.txt中指定的其他python库 如何使用 步骤1.设置python虚拟环境 $ virtualenv .env $ source .env/bin/activate (.env) $ pip install --upgrade pip (.env) $ pip install -r requirements.txt 步骤2.准备数据 从要使用的网络中提取功能，并将其定位在//features/<DATASET

Python聊天机器人 基于检索的聊天机器人

人类跌倒检测 我们通过支持多相机和多人跟踪以及长时记忆（LSTM）神经网络来预测两个类别，从而增加了人体姿势估计（openpifpaf库），以预测两个类别：“跌倒”或“不跌倒”。 从这些姿势中，我们提取了LSTM分类器处理的五个时空特征。 设置 pip install -r requirements.txt 用法 python3 fall_detector.py 争论 描述 默认 num_cams 要处理的摄像机/视频数量 1个 视频 视频文件的路径（无从摄像机捕获实时视频的路径） 对于单个视频跌倒检测（-​​-num_cams = 1），将视频另存为abc.xyz并设置--video = abc.xyz 对于2个视频跌落检测（--num_cams = 2），将您的视频另存为abc1.xyz和abc2.xyz并设置--video = abc.xyz 没有任何 save_output

这个是我自己整理的LSTM公式的详细推导，欢迎大家免费下载。需要原始Tex文件和LSTM图的可以直接给我要。若有错误，欢迎指正。

先安装conda，然后在conda环境下安装tensorflow。要求：64位linux系统，python3.5。

干货——LSTM详解，关于LSTM的前生今世-附件资源

股票价格预测 Udacity-机器学习纳米学位课程：Project-6（Capstone项目） 项目概况 这是Udacity-机器学习纳米学位计划中列出的一系列项目中的第六个也是最后一个顶点项目。 投资公司，对冲基金甚至个人一直在使用财务模型来更好地了解市场行为并进行有利可图的投资和交易。 历史股价和公司绩效数据的形式提供了大量信息，适用于机器学习算法进行处理。 我们真的可以通过机器学习预测股价吗？ 投资者通过分析数据做出有根据的猜测。 他们将阅读新闻，研究公司的历史，行业趋势以及做出预测的其他许多数据点。 流行的理论是，股票价格是完全随机且不可预测的，但这提出了一个问题，为什么摩根士丹利和花旗集团这样的顶级公司会聘请定量分析师来建立预测模型。 我们的想法是，交易大厅里充斥着肾上腺素的男人，他们之间的联系松散，向电话里喊着什么，但如今，他们更有可能看到成排的机器学习专家静静地坐在电脑屏幕前。 实际上，现在华尔街上约70％的订单都是通过软件下达的，我们现在处在算法时代。 该项目利用深度学习模型，长期记忆（LSTM）神经网络算法来预测股票价格。 对于具有时间范围的数据，递归神经网络（