用LSTM生成新分子 博客文章可以在这里找到： : 我基于基于递归神经网络生成用于药物发现的聚焦分子库的论文创建了一个LSTM模型。该模型在ChEMBL数据库上进行了训练，该数据库能够以较高的有效率生成新的新颖分子（高达95％的分子是新颖的）， rdkit。 更多结果发布在博客上 生成的一些微笑：CC1CCOC（C）N1CCN1CCN（CC（= O）N2CCCC2）CC1和CC1 = NN（c2ccccc2）C1 = O 要运行代码： 转到generative_model文件夹 制作一个名为data的文件夹：mkdir data 从下载已处理的ChEMBL数据 并将其放置在数据文件夹中。 运行python data_processing.py来处理数据 运行python generator_training.py训练模型 如果您不想训练模型，我已在上载了预训练模型 您可以将

使用双隐层LSTM模型（DHLSTM）和双向LSTM（Bi-LSTM）模型两种方法，实现MNIST数据集分类

theano官方lstm源代码解析

这个文件是pytorch框架下，对模型LSTM层权值的对数量化，相关表述参考这篇博客： https://blog.csdn.net/kuan__/article/details/112426594，直接运行工程中的main.py文件，可得到量化后的权值。

长短期记忆网络详解 ，内含详细的解释。英文资源。对理解LSTM网络的结构有很大的帮助！

用LSTM预测库存 该项目包括使用LSTM对库存数据进行培训和预测的过程。 特点是同伴： 简洁模块化 支持pytorch，keras和tensorflow的三个主流深度学习框架 参数，模型和框架可以高度定制和修改 支持增量培训 支持同时预测多个指标 支持预测任意天数 支持列车可视化和日志记录 中文介绍可以参考： : pytorch对股票高价和低价的同时预测结果如下：

利用LSTM循环神经网络对多维数据进行预测，先对数据进行归一化处理，划分为训练集、测试集，用4个参数预测一个参数值

轨迹_lstm LSTM神经网络用于从连续测量数据重建轨迹

LSTM实现自然语言处理中的情感分析，其中包含了分词，词序列化，词向量，LSTM建模

LSTM用于电力系统预测的程序