转换STM 使用Keras进行卷积LSTM进行视频分割。 数据应作为一组视频（mp4格式）在单独的文件夹中提供，并在文件名中带有后缀_label的相应分段掩码（扩展名之前）。 训练模型运行脚本 lstm_train_fcn.py 它将加载数据，将分辨率压缩4倍-输入的形状应分别为（W，D，C）（96,108,1）。 在这里，我只考虑1个通道，即黑白图像。 对于彩色图像，请更改形状。 在NVIDIA TitanX中，每1000帧视频序列的培训应该花费1个小时 使用卷积LSTM（中间）和仅卷积（顶部）进行超声视频序列和相应图像分割的示例

【ch11-循环神经网络】 LSTM实战.pdf

深度学习 该文件夹包含我的各种AI和机器学习项目的深度学习模型。 长短期记忆（LSTM）卷积神经网络（CNN）ResNet50

参考链接：https://blog.csdn.net/qq_37534947/article/details/110442147，包含手动是实现RNN、pytorch实现RNN、LSTM、GRU。

用Pytorch批量标准化LSTM Cooijmans等人的“的实现。 要求 火炬0.4 python 3.x

Forecast_LSTM 该程序旨在对温度执行时间序列预测。 在sqlite3文件database.db测试数据 先决条件 Python3 点子 火炬 大熊猫 Tqdm 密谋 用法 首先，将cd转到目录，然后运行python3 train.py或python3 train2.py 。 作者 ÍcaroLorran Lopes Costa- （ ）

我就废话不多说，大家还是直接看代码吧~ def get_model(): n_classes = 6 inp=Input(shape=(40, 80)) reshape=Reshape((1,40,80))(inp) # pre=ZeroPadding2D(padding=(1, 1))(reshape) # 1 conv1=Convolution2D(32, 3, 3, border_mode='same',init='glorot_uniform')(reshape) #model.add(Activation('relu')) l1=LeakyReLU(

推文情感分析 更新（2018年9月21日）：我没有积极维护该存储库。 这项工作是针对课程项目完成的，由于我不拥有版权，因此无法发布数据集。 但是，可以轻松修改此存储库中的所有内容以与其他数据集一起使用。 我建议阅读该的，该可在docs/找到。 数据集信息 我们使用和比较各种不同的方法来对推文（二进制分类问题）进行情感分析。 训练数据集应该是tweet_id,sentiment,tweet类型的csv文件tweet_id,sentiment,tweet其中tweet_id是标识该tweet的唯一整数， sentiment是1 （正）或0 （负）， tweet是括在""的tweet 。 类似地，测试数据集是tweet_id,tweet类型的csv文件。 请注意，不需要csv标头，应将其从训练和测试数据集中删除。 要求 该项目有一些一般的图书馆要求，而某些则是针对个别方法的。 一般要求如下。 numpy scikit-learn scipy nltk 某些方法特有的库要求是： 带TensorFlow后端的keras ，用于Logistic回归，MLP，RNN（LSTM）和CNN

随着社会经济的蓬勃发展，地铁、隧道、桥梁等大型建筑的需求也越来越大.通过对结构变形数据的分析与预测，可以判断结构未来的发展趋势，对安全隐患提前预警和采取应急措施，预防灾害的发生.由于变形监测数据通常具有不稳定性和非线性的特点，使得监测数据预测成为结构监测研究中的一个难题.针对结构变形预测模型存在的问题，本文提出了一种基于正交参数优化的长短时记忆网络（LSTM）结构变形预测模型.该模型通过LSTM网络结构获得时间序列的长期记忆，充分挖掘变形数据的内部时间特征；并通过正交试验对LSTM模型的参数进行优化；最后通过实测数据对模型进行验证，实验结果表明，模型预测值与实际监测值吻合较好.通过与WNN、DBN-SVR和GRU模型相比，平均RMSE、MAE和MAPE分别降低了56.01%、52.94%和52.78%，本文提出的基于正交参数优化的LSTM结构变形预测模型是一种有效的结构沉降方法，为结构安全施工以及运营的安全提供可靠信息，对确保结构安全具有重要意义.

LSTM_Kalman预测温度代码，可直接运行，内有程序使用说明。