图像字幕 CNN-LSTM神经网络，用于从图像生成字幕。 基于我为计算机视觉决赛所做的小组项目

基于CNN/LSTM和稀疏下采样的人体行为识别

深度神经网络用于阿尔茨海默病检测 该研究项目是关于在患者中检测阿尔茨海默氏病的。 及早发现阿尔茨海默氏病将有助于早期治疗，这可以防止症状的夸大。 我们的目标是在机器学习的一部分深度学习的帮助下做到这一点。 在这个项目中，我们使用三种类型的体系结构进行深度学习。 LeNet-5 转移学习 视频分类 对于输入，我们有用于Alzheimer，Normal和MCI检测的nii文件。 阿尔茨海默病，MCI和正常人都有不同的文件夹。 每个文件夹都包含一些.nii文件。 每个.nii文件中都有4维数据。 适当的预处理方法被写入预处理文件夹中，以将该4维数据转换为2维和3维数据。 模型的代码分别写在每种体系结构的单独文件夹中。 AWS说明 我们正在使用基于Amazon AMI的深度学习机。 要运行实例，请按照以下步骤操作： 1. go to ec2 instances dashboard 2.

BCI-II-III分类 使用CNN和CNN + LSTM在EEG信号中对运动想象力进行分类 更多信息

用pytorch写的CNN+lstm深度学习模型

今天小编就为大家分享一篇pytorch实现用CNN和LSTM对文本进行分类方式，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

几何深度学习

Abnormal_Heart_Sound_Diagnosis：对心音数据库进行卷积长短期记忆（CNN-LSTM）评估，准确度达91％

太阳能光伏产业近年发展迅速，准确诊断光伏组件故障位置及类型可以提升运维人员的工作效率。提出一种基于卷积神经网络-长短期记忆模型(Convolutional Neural Networks-Long Short Term Memory，CNN-LSTM)的深度学习诊断模型，利用电站原有设备就可完成检测任务。首先提出了一种依据电流值的组件故障分类方式；然后，检测模型根据光伏阵列布局特点设计了一种特征提取算法，分别提取光伏阵列电流横向与纵向特征，来获取空间与时间上的特性；再通过CNN网络来对横向特征做进一步的提取与纵向特征的压缩，以解决特征种类单一及训练缓慢的问题；最终进入LSTM神经网络来完成对光伏组件的故障诊断。

接上文，本文介绍了CNN-LSTM模型实现单、多变量多时间步预测的家庭用电量预测任务。 文章目录1. CNN-LSTM1.1 CNN 模型1.2 完整代码 1. CNN-LSTM 1.1 CNN 模型 卷积神经网络（CNN）可用作编码器-解码器结构中的编码器。 CNN不直接支持序列输入；相反，一维CNN能够读取序列输入并自动学习显着特征。然后可以由LSTM解码器解释这些内容。CNN和LSTM的混合模型称为CNN-LSTM模型，在编码器-解码器结构中一起使用。CNN希望输入的数据具有与LSTM模型相同的3D结构，尽管将多个特征作为不同的通道读取，但效果相同。 为简化示例，重点放在具有单变量输