虽然循环神经网络（RNN），允许信息的持久化，然而，一般的RNN模型对具备长记忆性的时间序列数据刻画能力较弱，在时间序列过长的时候，因为存在梯度消散和梯度爆炸现象RNN训练变得非常困难。Hachreiter和Schmidhuber,提出的长短期记忆( Long Short-TermMemory，LSTM）模型在RNN结构的基础上进行了改造，从而解决了RNN模型无法刻画时间序列长记忆性的问题。

Python神经网络

神经网络拟合双输入单输出函数，设计带有温度补偿的压力传感器。python编写，双输入、单输出、一层隐层，隐层神经元数量为15.

一种基于Python和BP神经网络的股票预测方法

一个最简单的神经网络的PY程序实现。有测试数据集和PY实现。

收集一些Python 神经网络相关的练习源码，注释丰富，是一些学习Python时候自己完成的一个神经网络相关代码，或许对你有参考作用。可完成的功能有：简单神经网络实现自定义损失函数（利润最大化）、计算一个5层神经网络带L2正则化的损失函数，神经网络的优化、模拟神经网络迭代的轮数，动态控制衰减率，简单神经网络实现自定义损失函数，加入学习率的设置（指数衰减），加入L2正则化损失的实现，不包含隐层，获得一层神经网络边上的权重，并将这个权重的L2 正则化损失加入名称为'losses'的集合里，定义一个滑动平均的操作，这里需要给定一个列表，每次执行这个操作时，列表里的元素都会被更新。

《PyTorch生成对抗网络编程》思维导图和配套素材免费版，畅销书《Python神经网络编程》作者最新力作； 全彩印刷，配套示例代码，图文并茂，易懂实用； 从零开始，用PyTorch构建自己的生成对抗网络。 生成对抗网络（Generative Adversarial Network，GAN）是神经网络领域的一颗新星，被誉为“机器学习领域近 20 年来最酷的想法”。 本书以直白、简短的方式向读者介绍了生成对抗网络，指导读者如何使用PyTorch 按部就班地编写生成对抗网络。阅读本书，读者将了解 PyTorch和生成对抗网络的基本原理，学会使用PyTorch构建自己的生成对抗网络，生成手写数

python3.8编写，训练集和测试集的文件请看我转发的博文

tensorflow官方模型库，内含attention_ocr、autoaugment、deeplab、delf、lstm_object_detection、marco、vid2depth、adversarial_text、cvt_text、audioset、deep_speech 、efficient-hrl、pcl_rl、lfads、rebar

不使用框架, 用python实现神经网络,识别mnist中的手写数字,使用Xavier初始化、Adam算法、数据归一化、batch-normalization、dropout等技术