时间神经网络
Time-LSTM的Pytorch实现，如“下一步：通过Time-LSTM为用户行为建模”所示，Time-GRU的实现，如“系统跟踪重构的新递归网络方法”中所示。 时间门的添加也可以推广到其他递归神经网络。 在性能方面，所有具有时间定性（时间RNN）的RNN都比具有时间定性的RNN（标准RNN）获得更好的结果。 以下是时间LSTM 1，时间LSTM 2，时间GRU，GRU和LSTM在预测在汽车上运行的Blackberry QNX系统的输出轨迹时的训练精度与时期的示例。
2021-10-08 10:37:53
33KB
1
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。
2021-10-06 16:27:31
2KB
1
手势动作识别
微调预训练的CNN模型（AlexNet，VGG，ResNet），然后微调LSTM。 该网络应用于手势控制无人机。
训练：
下载直升机编组数据集： : usp
将数据集放在/data文件夹下
运行培训代码并指定数据文件夹的路径
python basic_lstm.py ../data
测试：
使用具有指定型号的网络摄像头运行在线测试代码：
cd testing
python lstm_test.py ../weights/model_best_865.pth.tar
依存关系：
pyTorch-0.3.xx
Opencv的3.3.1
PIL-5.0.0
Numpy-1.13.1
2021-10-06 15:47:51
35.82MB
1
基于LSTM的航班乘客预测_航班数据集_buildingpw5_LSTM_预测数据集_lstm预测_源码.zip
2021-10-06 13:03:14
44KB
model.py：
#!/usr/bin/python
# -*- coding: utf-8 -*-
import torch
from torch import nn
import numpy as np
from torch.autograd import Variable
import torch.nn.functional as F
class TextRNN(nn.Module):
文本分类，RNN模型
def __init__(self):
super(TextRNN, self).__init__()
# 三个待输入的数据
self
2021-10-05 14:37:51
103KB
1
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
2021-10-05 13:08:08
441KB
1
多步骤提前预测
该项目的目的是研究时空数据的多步提前预测中的两个方面：
动态模型与静态模型：我们将比较几种静态模型和动态模型的性能。 动态模型都具有递归神经网络作为其体系结构的一部分。 在这些模型中，先前时间步长中的时间序列值用于导出循环网络的“状态”。 然后，将循环网络的输出扩充到数据中的其他要素，以形成完整的要素集。 相反，在静态模型中，没有递归的体系结构，并且先前时间步长上的时间序列值直接增加到其他特征上。
数据拆分方法：我们将研究将数据拆分为训练和验证模型对测试数据性能的影响的不同方法的效果。 与其他情况相比，为时间序列数据形成验证集更具挑战性。 具体来说，许多机器学习任务可以看作是插值，其中训练和测试集中的特征范围是相似的。 另一方面，时间序列预测（特别是多步提前预测）是一项外推任务。 我们要提出的问题是，在形成验证集时应考虑到这一点。 我们将研究形成验证集的不同方法。
我
2021-10-04 10:04:15
11.39MB
1